Aplicacion de Machine Learning para la

prediccion de sismos en Lima e Ica.

 la idea central de este trabajo es predecir cuándo un evento se clasifica como

sismo menor, ligero, moderado y fuerte en las ciudades de Lima e Ica del
Peru
 algoritmos de aprendizaje automático sobre un conjunto de datos de
terremotos reales, tales como: Random Forest, Naive Bayes, Logistic
Regression, MultiLayer Perceptron, AdaBoost, K-vecinos más cercanos,
Support Vector Machine y árboles de clasificación.
 LAS PREDICCIONES SE DEBEN REALIZER CON ANTICIPACIÓN. LA MAYORÍA DE ESTUDIOS
SE REALIZAN SOBRE

 PRONÓSTICOS, TENIENDO EN CUENTA EL HISTORIAL DE SISMOS EN PERU Y ÁREAS

ESPECÍFICAS COMO LIMA E ICA.

 EL OBJETIVO ES PREDECIR LOS EVENTOS CLASIFICANDOLOS POR TIPO DE SISMO:

MENOR, LIGERA, MODERADA Y FUERTE; MEDIANTE LA APLICACIÓN CON DIFERENTES
ALGORITMOS DE MACHINE LEARNING.

 SE APLICAN 4 TIPOS DE ALGORTIMOS O TÉCNICAS COMO: RANDOM FOREST,

BAYESNET, MULTILAYER PERCEPTRON Y RANDOM FOREST BAJO LA TÉCNICA DE USO DE
ÁRBOLES DE CLASIFICACIÓN Y REGRESIÓN.

Variables predicción

Días, semanas, produndiad, zona, clase

EL ESTUDIO SE REALIZÓ EN BASE A DATOS ABIERTOS DEL IGP. ESTOS DATOS CORRESPONDEN
DE1960 AL

2021. LA INVESTIGACIÓN ESTUVO REALIZADA SOLO PARA LOS DEPARTAMENTOS DE LIMA E ICA
DEL PERÚ.

Un DataSet representa un conjunto completo de datos, incluyendo las tablas que

contienen, ordenan y restringen los datos, así como las relaciones entre las tablas
  La empresa de acrónimo Recout S.A.C. (RECOUT) realiza gestión de cobranzas a la
cartera de acrónimo “Cenmortem”, que pertenece a la empresa de acrónimo CCSP S.A.
(CCS).

Modelo de aprendizaje automático supervisado para predecir si un titular de una

tarjeta de crédito (de una empresa retail financiero) pagará o no el saldo en mora
del “pago mínimo facturado”.

En la presente investigación se desarrolla un modelo de machine learning

supervisado de clasificación. Este modelo clasifica si un deudor pagará o no, en
menos de un mes, el saldo en mora temprana del “pago mínimo facturado” de su
tarjeta de crédito. Previo a ello, se revisó otras investigaciones similares, luego se
desarrolló el modelo, y se realizó la discusión (comparación de esta investigación
con las investigaciones anteriores). Finalmente, se describen las conclusiones.

 En esta investigación se utilizó algoritmos de clasificación ya que el objetivo es predecir

si el socio es o no sujeto a crédito evaluando el riesgo de crédito, mediante variables
que fueron analizadas para el entrenamiento y testeo de los datos previamente
extraídos de la base transaccional de la institución.

 Variables

 Cargas familiares, Destino del Crédito, Edad, Estado Civil, Genero, Garantía,
Monto, Nivel Instrucción, Préstamos Instituciones, Número de créditos, Tipo
de crédito, Tipo de Vivienda, Ingresos, Egresos, Activos, Pasivos, Tasa de
Interés, Antigüedad del socio en la institución, Antigüedad laboral, Zona
geográfica, Número de Cuotas, Frecuencia de Pago, Actividad Económica, Valor
cuota, Capacidad de pago, Tipo de cliente, Calificación del cliente

 Clase

 Número de socios sujetos a crédito

 Random Forest

 17336 registros que fueron clasificados correctamente

 1865 erróneamente

 17226 socios que están clasificados como sujetos a crédito

 Regresión Logística:

 17339registros que fueron clasificados correctamente

  1862 erróneamente

 17334 socios que están clasificados como sujetos a crédito

 Redes Neuronales

 17339registros que fueron clasificados correctamente

 1862 erróneamente

 17334 socios que están clasificados como sujetos a crédito

 El modelo mas acertado fue Random Forest

Modelo del Predictivo de la Bolsa de Valores de Lima

La predicción de las bolsas de valores es un área importante de interés de

investigadores y analistas de inversiones. En los últimos años la Bolsa de Valores de
Lima ha experimentado volatilidades magnificadas debido a la automatización de
los mercados bursátiles y los inversionistas disponen de información en forma más
inmediata lo que les permite tomar decisiones de inversion en momentos cada vez
más cortos. El presente estudio propone el análisis de los factores que influyen en
su comportamiento y un modelo de predicción basado en redes neuronales LSTM
sobre el comportamiento del Índice General de la Bolsa de Valores de Lima
(IGBVL).

2. ANTECEDENTES

Para la estimación del pronóstico de la volatilidad se propuso un modelo apilado basado en

redes neuronales hibridas (Ramos-Perez, 2019) entre ellas Support Vector Machine,

Random Forest (SVM), Gradient Descendent Boosting (GDB) para predecir la volatilidad del

Índice SP500 consiguiendo resultados más precisos respecto a otros modelos.

3. APORTE

Los inversionistas institucionales necesitan conocer el comportamiento del mercado de

valores peruano para mejorar las condiciones del patrimonio administrado y mejorar la

rentabilidad de sus inversiones. La Bolsa de Valores de Lima presenta comportamientos

cíclicos y se necesita conocer los principales factores que influyen en su comportamiento.

dos variables cualitativas: la aplicación de impuestos y periodos

gubernamentales.