Articulo 6 Español (1) .En - Es

Traducido del inglés al español - www.onlinedoctranslator.
com
sostenibilidad
Artículo
Desarrollo de un sistema de detección de señales de riesgo basado

en minería de opiniones para respaldar decisiones financieras
Byungun Yoon*, Taeyeoun Roh, Hyejin Jang y Dooseob Yun

Departamento de Ingeniería Industrial y de Sistemas, Universidad Dongguk, Seúl 100715, Corea
* Correspondencia: postman3@dongguk.edu
---- -
Recibido: 20 de junio de 2019; Aceptado: 31 de julio de 2019; Publicado: 7 de agosto de 2019 ---
Abstracto:Las empresas llevan mucho tiempo intentando detectar riesgos financieros y prevenir crisis en sus actividades
comerciales. Los inversores también tienen una gran necesidad de identificar riesgos y utilizarlos para invertir. Así, varios estudios
han intentado detectar el riesgo financiero. Sin embargo, estos estudios tuvieron limitaciones en el sentido de que no se explotaron
diversos datos y no se reflejaron diversas perspectivas de la empresa. Esto puede conducir a decisiones equivocadas de inversión. Por
lo tanto, el propósito de este estudio fue proponer modelos de predicción de señales de riesgo basados en datos de empresas y
minería de opiniones, que reflejen tanto las perspectivas de las empresas como de los inversores. Además, desarrollamos un proceso
para obtener datos relacionados con la empresa en tiempo real y visualización de conveniencia. Para desarrollar este proceso, se
definió un evento crediticio como aquel que generó un riesgo crítico para la empresa. En el siguiente paso, se calculó la puntuación
de riesgo de una empresa que tuviera un posible evento crediticio. Esta puntuación se calculó combinando la puntuación de actividad
de la empresa y la puntuación de extracción de opiniones. La puntuación de actividad de la empresa se calculó sobre la base de un
indicador de datos de divulgación y estados financieros, mientras que la puntuación de extracción de opiniones se calculó sobre la
base de un análisis de sentimiento de noticias y datos sociales. Como resultado, se derivó el grado de riesgo total de la empresa y se
propuso el nivel de riesgo. Estos procesos se desarrollaron en un sistema y se ilustraron con datos reales de la empresa. Los
resultados de este estudio demuestran que es posible derivar señales de riesgo a través de indicadores de seguimiento integrados y
proporcionar información útil a los usuarios. Este estudio puede ayudar a los usuarios a tomar decisiones. También brinda a los
usuarios la oportunidad de identificar nuevos impulsos de inversión.
Palabras clave:detección de señales de riesgo; minería de opinión; apoyo a las decisiones financieras
1. Introducción
Numerosas recesiones en el pasado han causado estragos en las raíces de las industrias estatales con muchos
efectos negativos, incluida la desaceleración económica. Las amenazas globales, como la crisis de las hipotecas de alto
riesgo de 2008 en Estados Unidos y la crisis financiera de 2016 en China, también pueden afectar a otros países. Por lo
tanto, existe una necesidad cada vez mayor de prepararse para estas amenazas detectando su riesgo. Se han
realizado varios estudios para predecir la posibilidad de accidentes financieros mediante el seguimiento. Sin embargo,
si dicho seguimiento no se realiza correctamente, puede provocar más efectos adversos. Además, si se establecen
políticas engañosas para una empresa, ésta puede enfrentar consecuencias crediticias cruciales, como la quiebra.
Además, los inversores son especialmente sensibles al seguimiento. Si toman una decisión equivocada, es posible que
la paguen cara. Por lo tanto, los inversores intentan obtener resultados significativos para su inversión adquiriendo y
analizando una variedad de información utilizando sus propios métodos. Es importante que los inversores sepan qué
tipo de datos adquirir y cómo adquirir nuevos datos. Si los inversores pueden adquirir datos diversos, es más probable
que tomen decisiones imparciales. Además, si adquieren datos más nuevos, pueden obtener resultados más
favorables. Además de la precisión, la adquisición de datos actualizados e imparciales también es importante para
ayudar a los usuarios a invertir.
Muchos estudios han explotado datos de empresas, como estados financieros y datos de divulgación. Estos
datos se pueden utilizar como datos básicos para analizar empresas porque representan objetivamente a la empresa.
Sostenibilidad2019,11, 4258; doi:10.3390/su11164258 www.mdpi.com/journal/sustainability

Sostenibilidad2019,11, 4258 2 de 26
Por lo tanto, muchos estudios han analizado los datos de la empresa como datos fundamentales que expresan objetivamente la
empresa.1,2]. Los datos de la empresa podrían utilizarse para explotar el nivel de riesgo de la empresa. También proporcionan
información sobre la superioridad de la empresa [3,4]. Otros estudios han propuesto que las empresas podrían evaluarse no sólo con
datos empresariales sino también de otras maneras, como con datos sociales. Varios estudios han demostrado que la detección de
riesgos se puede realizar a través de datos sociales [5–10]. Estos estudios han sugerido que las noticias económicas y los datos sociales
pueden desencadenar movimientos en los mercados financieros y comportamientos organizacionales, y que los patrones de los
inversores en SNS (Servicios de Redes Sociales) pueden tener un impacto significativo en los comportamientos comerciales de otros
inversores. Dado que las tasas de delincuencia por manipulación del precio de las acciones a través del comportamiento organizacional
y transacciones de arbitraje utilizando información no transaccional están aumentando recientemente, estos movimientos pueden
detectarse mediante el uso de noticias y datos sociales. Sin embargo, los datos utilizados para analizar empresas en estudios anteriores
tienen limitaciones. En primer lugar, en el caso de la divulgación de datos o de los estados financieros, el análisis de los datos puede
tener resultados diferentes de los resultados reales de la inversión. Incluso las empresas que son sólidas en sus estados financieros
pueden manipular sus contabilidades o tener incidentes que no están registrados en sus contabilidades. Si los inversores toman
decisiones de inversión basándose en estos datos, ya será demasiado tarde. En otras palabras, cuando los datos se confirman y una
inversión está vinculada a esos datos, ya es demasiado tarde para que los inversores respondan, porque es probable que la
información ya se refleje en el mercado. En estudios anteriores que explotaban la minería de opiniones, no se realizaron
actualizaciones en tiempo real porque los datos se adquirieron y analizaron con anticipación. Como resultado, los datos utilizados en
estudios anteriores pueden estar sesgados. Además, es posible que el análisis de datos no se realice en tiempo real. Por lo tanto, es
posible tomar decisiones equivocadas al invertir a través de la información adquirida.
Para superar las limitaciones de estudios anteriores, es importante desarrollar un algoritmo inteligente de apoyo a las
decisiones de inversión. Este algoritmo combina datos de divulgación, inteligencia artificial y extracción de opiniones con
grandes cantidades de datos y noticias sociales y puede utilizarse no sólo para analizar datos de empresas, sino también para
reflejar las opiniones de los inversores. Para ello, en este estudio se construye una base de datos mediante la recopilación de
datos relacionados con la inversión basada en el rastreo web. Además, se crea un léxico de sentimientos asociado con la
inversión para el aprendizaje automático. Con los datos recopilados, llevamos a cabo un aprendizaje semisupervisado y
detectamos una señal prometedora/de riesgo para cada empresa. Finalmente, al seleccionar el grupo de riesgo de inversión
según la señal detectada, sugerimos la empresa de inversión en riesgo, visualizamos el resultado y presentamos el resultado
como un sistema. A través de este estudio, los usuarios pueden minimizar el desvío de datos mediante la adquisición y análisis
de diversas fuentes de datos. Además, estos datos se pueden recopilar periódicamente para actualizar la información y
reflejar la actualización en los resultados para que los usuarios puedan identificar rápidamente información significativa.
Nuestro objetivo final es presentar una herramienta que los usuarios puedan comprender fácilmente sugiriendo y nivelando
el riesgo en función de la información obtenida.
El Capítulo 2 describe teorías de fondo relacionadas con los sistemas de apoyo a la toma de decisiones financieras, la extracción
de opiniones y la detección de riesgos. El Capítulo 3 diseña un sistema para desarrollar un algoritmo de predicción de riesgos
financieros. El Capítulo 4 ilustra los resultados del análisis basados en casos reales y los visualiza como una interfaz de usuario del
sistema. El Capítulo 5 analiza cuestiones relacionadas con el resultado del sistema propuesto. Finalmente, el Capítulo 6 presenta las
conclusiones y limitaciones de este estudio y sugiere investigaciones futuras.
2. Fondo
2.1. Sistema de apoyo a la toma de decisiones financieras
Una de las actividades más importantes en la gestión empresarial es la toma de decisiones. El entorno empresarial es
cada vez más complejo. La conectividad de diversos elementos también está aumentando. Por tanto, la toma de decisiones se
está volviendo difícil e impredecible. Actualmente se utiliza un sistema de apoyo a las decisiones para ayudar a los tomadores
de decisiones no sólo en las empresas, sino también en las unidades individuales. Su uso aumenta día a día. Se están
utilizando diferentes sistemas en diversos campos, ya que existen diversas metodologías para brindar soluciones. Yazdani et
al. [11] llevó a cabo una investigación para proporcionar una solución ideal basada en el Despliegue de la Función de Calidad
(QFD) en la cadena de suministro agrícola. Scalia et al. [12] propuso un
Sistema de toma de decisiones multivariado para el trasplante de islotes pancreáticos. También se desarrolló un sistema de
toma de decisiones que ayuda en la incertidumbre durante el diagnóstico médico utilizando un sistema difuso.13].
En el mercado de valores los sistemas de toma de decisiones se utilizan de diversas formas. Paniagua et al. [14] sugirió un
sistema autónomo de toma de decisiones emocionales que utiliza emociones artificiales para mejorar la autonomía de toma de
decisiones del sistema y lograr mejores resultados de inversión. Se ha propuesto un sistema de decisión de negociación de índices
bursátiles adaptativo para predecir el movimiento de los precios de los índices bursátiles, capturar oportunidades comerciales y
minimizar errores y costos.15]. Weng et al. [6] desarrolló un sistema experto financiero para predecir los precios de las acciones a corto
plazo basándose en recuentos y puntuaciones de sentimiento de los artículos de noticias. También se ha propuesto otro sistema para
ayudar a los usuarios en el comercio financiero, para predecir los patrones de negociación de acciones mediante la integración de la
máquina de vectores de soporte y la teoría de selección de cartera [dieciséis].
Sin embargo, estos estudios previos reflejaron principalmente la perspectiva de la empresa, mientras que la perspectiva
del inversor no se reflejó simultáneamente. Dado que el inversor es uno de los roles más importantes en el campo financiero,
es necesario reflexionar sobre el inversor para obtener un resultado preciso. Por lo tanto, en este estudio se propone un
indicador orientado al negocio que considera la objetividad de una empresa. También se propone otro tipo de indicador que
refleje la perspectiva de los inversores. Basados en ambos tipos de indicadores, los resultados reflejan ambas perspectivas y
muestran el nivel de riesgo general adecuado de la empresa, para ayudar a los inversores en inversiones futuras.
2.2. Minería de Opinión
La minería de opiniones, también conocida como análisis de sentimientos, se refiere a la extracción de

información emocional subjetiva. El lenguaje humano se divide en elementos positivos y negativos, que se describen
libremente según el procesamiento del lenguaje natural y la minería de textos.17]. La investigación de minería de
opiniones se puede categorizar y se ha utilizado para derivar información cuantitativa y cualitativa. Las
investigaciones que derivan información cuantitativa de la minería de opiniones se centran en la perspectiva del
análisis emocional, mientras que la otra se centra en la perspectiva del análisis de contenido. La minería de opiniones
de información cuantitativa propone un valor de sentimiento para la información en función del grado de opiniones
positivas y negativas. El valor del sentimiento sugiere el valor relativo de los números negativos y positivos. Sin
embargo, no es una clasificación binaria de afirmativa o negativa. Singh y cols. [18] analizó datos de reseñas de
películas y obtuvo una evaluación de los usuarios. Min y Park [19] propuso una metodología para filtrar y utilizar datos
de revisión basados en el valor del sentimiento. La minería de opinión de información cualitativa tiene como objetivo
extraer contenidos específicos de la opinión. Lee [20] extrajo las necesidades de los usuarios de reseñas en línea.
Thorleuchter [21] exploró clientes potenciales basándose en las características de los revisores. Ghazizadeh et al. [22]
intentó determinar las quejas de objetivos específicos a partir de varias revisiones y propuso formas de resolverlas.
Alkubaisi et al. [5] sugirió un modelo de clasificación en la bolsa de valores basado en un análisis de sentimiento de
Twitter. Zhang et al. [7] desarrolló un modelo para la confiabilidad de los comentarios sobre acciones considerando
las opiniones de los analistas y sus patrones cambiantes.
En el presente estudio, se propusieron factores que podrían influir en la elección de inversión de cada empresa desde la
perspectiva de una combinación de análisis cuantitativos y cualitativos. Luego se presentó la influencia de cada factor como
un valor cuantitativo. Se analizaron noticias y opiniones subjetivas de los inversores para determinar las opiniones objetivas y
subjetivas de cada empresa. Dado que las noticias transmiten hechos objetivos para cada empresa, pueden interpretarse
como un factor a través del cual los inversores pueden decidir si invertir o no. Además, las opiniones subjetivas de los
inversores sobre hechos objetivos sobre las empresas, expresadas en las redes sociales y en la comunidad de seguridad,
pueden utilizarse como base eficaz para la toma de decisiones por parte de otros inversores que no expresan tales opiniones.
Los datos derivados se aprovecharon para extraer palabras clave centrales positivas y negativas que podrían influir en la
elección de inversión. Cada palabra clave principal se deriva de un clasificador Naïve Bayes. Mediante el uso de aprendizaje
semisupervisado basado en gráficos, los valores emocionales de las redes sociales y los documentos de noticias se derivaron
calculando los valores emocionales de los factores relacionados con la empresa, excluyendo las palabras clave principales.
Finalmente, la señal de riesgo se predice desde cuatro perspectivas para obtener un indicador unificado de la perspectiva del
inversor. Este valor se utiliza luego para monitorear eventos de mal crédito para la empresa con riesgo crediticio.
2.3. Detección de Riesgos en Finanzas
Las empresas necesitan considerar muchos aspectos de su negocio. Especialmente necesitan monitorear los riesgos
que puedan surgir. Para evitar riesgos o prepararse para ellos, las empresas han estado explorando constantemente el
desarrollo de sistemas que puedan anticipar y alertar a las empresas sobre los riesgos por adelantado. Un sistema de alerta
temprana (EWS) es un sistema representativo que puede reducir el riesgo de una empresa o un individuo al predecir una
situación inusual. También puede ayudar en la identificación cuantitativa de riesgos en función de las condiciones actuales y
los posibles riesgos [23]. Los EWS se pueden utilizar en varios campos, incluido el seguimiento financiero y la presentación de
informes de posibles problemas, riesgos y oportunidades antes de que puedan afectar los estados financieros. Por lo tanto,
los SAT brindan oportunidades para prevenir o mitigar problemas potenciales [23].
El SAT utilizado en el ámbito financiero se ha desarrollado en base a varios modelos. Un EWS tradicional explota
modelos de regresión, como los modelos logísticos y probit [24,25]. Se ha propuesto un modelo que refleja las
características específicas de cada país utilizando varios indicadores [26]. También se ha utilizado una metodología
basada en el análisis de decisiones con criterios múltiples (MCDM).27]. También se ha propuesto un EWS que utiliza
una red neuronal artificial. Por ejemplo, Brockett y Cooper [28] propuso un EWS utilizando una red neuronal basada
en varias variables. Kim y cols. [29] utilizó modelos EWS basados en un análisis de la economía coreana utilizando
una red neuronal artificial (RNA) como indicador. Yang et al. [30] aprovechó el EWS con ANN para detectar el riesgo
financiero de un banco. Sin embargo, estos estudios se centraron en indicadores que podrían representar el estado
de las empresas, mientras que las opiniones de los inversores no quedaron suficientemente reflejadas. Este problema
debe superarse porque puede conducir a resultados sesgados debido a una evaluación centrada en la empresa.
Por lo tanto, el presente estudio sugiere un nuevo concepto en la detección de riesgos al agregar un proceso
que puede reflejar las opiniones de los inversores. Este concepto explota indicadores que pueden representar a la
empresa. El nivel de riesgo desde la perspectiva de la empresa y el nivel de opinión desde la perspectiva del inversor
están vinculados entre sí para derivar un nivel de riesgo integral. Luego, el grado de riesgo se determina juzgando la
tendencia o situación de la empresa. En función del grado de riesgo, se proporcionan estrategias de inversión.
Finalmente, se propone un sistema y se ilustran los resultados derivados del sistema.
3. Diseño del sistema
3.1. Concepto basico
El objetivo principal de la investigación de detección de crisis es encontrar señales mediante el uso colectivo de datos
relacionados con las empresas. Los datos de divulgación y los estados financieros generalmente se explotan para identificar
señales de riesgo porque estos datos describen a la empresa de manera objetiva. Estos datos pueden utilizarse para
identificar la actividad de la empresa y eventos crediticios del pasado. Por lo tanto, son útiles para determinar la solidez
corporativa e identificar empresas que necesitan seguimiento. Aunque algunas empresas pueden ser evaluadas como sólidas
mediante datos como los estados financieros, pueden poseer riesgos ocultos, como manipulaciones contables o eventos
graves que no se presentan en los datos divulgados. Para estas empresas, se puede derivar una señal de riesgo analizando
datos distintos de los financieros, como las opiniones de los inversores. Por lo tanto, la minería de opiniones se explota para
obtener información oculta o reflejar las opiniones de los inversores sobre la empresa. Luego, estos dos tipos de datos se
utilizan juntos para calcular un indicador de señal de riesgo para cada empresa. El indicador de señal de riesgo se define en
función de la probabilidad de que ocurra un evento crediticio. El nivel de riesgo de la empresa también se deriva del indicador
calculado. Finalmente, se sistematizan una serie de procesos que permiten la detección continua de señales de riesgo de la
empresa. Así, este estudio evalúa una crisis en dos aspectos: (1) el aspecto de minería de opinión de los datos corporativos
que pueden expresar objetivamente a la empresa; y (2) opiniones de los inversores sobre la empresa como se muestra en la
Figura1. Una evaluación de riesgos tan completa podría conducir a un seguimiento más preciso del nivel de riesgo de la
empresa.
Figura 1.Proceso de detección de riesgos.
3.2. Proceso del sistema
3.2.1. Evaluación de riesgo crediticio
Para la evaluación del riesgo crediticio se utilizan estados financieros y datos de divulgación para poder evaluar
cuantitativamente el grado de riesgo de una empresa. Los estados financieros y los datos de divulgación son
documentos cuantitativos que muestran el estado financiero y el desempeño comercial de una empresa. Como se
describe en la Sección2, estos datos han sido analizados en diversos estudios. Los indicadores financieros basados en
datos de divulgación se seleccionan para identificar la posibilidad de que ocurran los siguientes eventos crediticios en
la empresa: (1) cancelación de cotización, (2) insolvencia, (3) procedimientos de rehabilitación y (4) quiebra. Los
indicadores relacionados para cada evento crediticio y sus explicaciones se enumeran en la Tabla1.
Tabla 1.Indicadores financieros relacionados con cada evento crediticio.
Evento de crédito Patrón de síntoma de evento crediticio Divulgación Criterios
Emisión de bonos corporativos de colocación Número de bonos con emisiones de warrants

privada
Número de emisiones de bonos convertibles
Financiación Número de reducciones de capital ejecutadas sin

Reducción de capital sin devolución
devolución
Emitir bonos corporativos de pequeña oferta Número de bonos corporativos de pequeña oferta pública
pública emitidos
Número de accionistas importantes reemplazados en los últimos 2

Reemplazo del accionista mayoritario
años
Abolición de la cotización
Autoridad de gobernanza y gestión Reemplazo del director ejecutivo Número de directores generales reemplazados en el último año
Sospecha de malversación de fondos e incumplimiento de Importe de malversaciones e incumplimientos de deberes en el

deberes último año
Adquisición de otras acciones corporativas o Número de otras acciones corporativas adquiridas en el

certificados de inversión último año
Método de venta
Cambio de objeto social Número de cambios de propósito comercial en el último año
Número de preocupaciones e incertidumbres persistentes en las

Preocupación constante por la incertidumbre
opiniones de auditoría
Opinión de auditoría
Número de salvedades, adversiones y descargos de
Opinión adversa
responsabilidad en las opiniones de auditoría
Principal e intereses acumulados Monto de capital e intereses acumulados

Falta de liquidez
Préstamos vencidos Número de préstamos vencidos
rumores maliciosos Solicitud de aviso de consulta Número de avisos de consulta solicitados en el último año
Número de accionistas importantes reemplazados en los últimos 2

Reemplazo de accionistas principales
Insolvencia años
Autoridad de gobernanza y gestión Reemplazo del director ejecutivo Número de directores generales reemplazados en el último año
Número de ventas bloqueadas a las principales partes interesadas

Bloquear las ventas de las principales partes interesadas
en el último año
Número de preocupaciones e incertidumbres persistentes en las

Preocupación constante por la incertidumbre
opiniones de auditoría
Opinión de auditoría
Número de salvedades, adversiones y descargos de
Opinión adversa
responsabilidad en las opiniones de auditoría
Tabla 1.Cont.
Evento de crédito Patrón de síntoma de evento crediticio Divulgación Criterios

Por defecto
Préstamos morosos Número de préstamos morosos en curso
Adquisición de otras acciones corporativas o

Número de inversiones en acciones de otras empresas
venta de certificaciones.
Procedimiento de rehabilitación
Cambio en negocios esenciales Número de cambios comerciales esenciales
Reestructuración
Suspensión de transacción Número de suspensiones de transacciones
Número de planes de autorrescate presentados para

Mejorar la estructura financiera
mejorar la estructura financiera
Rehabilitación Procedimientos de rehabilitación Número de procedimientos de rehabilitación aplicados

Por defecto
Préstamos morosos Número de préstamos morosos en curso
Bancarrota
Rehabilitación Procedimientos de rehabilitación Número de procedimientos de rehabilitación aplicados
Venta de activos Ventas de otras acciones o participaciones corporativas Número de ventas de acciones o acciones de otras empresas
El indicador de seguimiento se propone evaluar el nivel de riesgo de una empresa con base en un estado financiero y
estudios previos de indicadores financieros [31–37]. En primer lugar se examinan los indicadores que ya utilizan los bancos,
debido a su disponibilidad, para elegir los indicadores adecuados. El conjunto final de indicadores de evaluación fue revisado
por investigadores y expertos financieros de una empresa de inversión financiera líder en Corea. Estos indicadores utilizados
por los bancos se muestran en la tabla.2. Mesa3muestra indicadores de seguimiento asociados a cada evento crediticio con
base en los estados financieros. Los indicadores de seguimiento basados en datos de divulgación se cuentan cuando se
registra cada tipo de indicador relacionado con incidentes. La validez de los datos de divulgación se mide en tres meses, seis
meses y un año, porque la comisión de servicios financieros de Corea ha sugerido que se debe monitorear la situación de un
deudor durante aproximadamente tres meses para determinar su capacidad de pagar obligaciones futuras. Las tres
principales agencias de calificación del mundo (Moody's Corporation, S&P y el grupo Fitch) tienen un período de gracia de seis
meses para realizar ajustes en las calificaciones crediticias. KOSDAQ y KOSPI en el mercado de valores coreano están
evaluando actualmente los criterios de exclusión de la lista por un período de un año. En referencia a los casos mencionados
anteriormente, los datos de divulgación de una empresa se evalúan dividiendo el período en tres secciones (3 meses, 6 meses
y 1 año).
Algunas divulgaciones propuestas pueden tener efectos positivos y negativos en el mercado. Por ejemplo, la
enajenación de acciones propias puede interpretarse como positiva si se utiliza como medio para mejorar el entorno
de la empresa o para recaudar recursos de inversión a largo plazo. Por otra parte, hay lugar para interpretaciones
negativas. Por ejemplo, se puede interpretar que a la empresa le falta dinero para financiarse. Mesa4muestra la lista
de las posibilidades a través de las cuales el índice de seguimiento puede ser evaluado como positivo o negativo y los
criterios propuestos para evaluar la decisión. Los candidatos para cada indicador fueron seleccionados basándose en
estudios previos [34,38,39] y, finalmente, tras una revisión por expertos, como se muestra en las Tablas2y3. Si un
indicador se evalúa como positivo, se cuenta como −1. Si el indicador se evalúa como negativo, se cuenta como +1.
Tabla 2.Indicadores financieros explotados por el banco.
Relación con Evento Crediticio

Criterios
Rehabilitación
Abolición de la cotización Insolvencia Bancarrota
Procesando
[ ]
registroCapitalización de mercado
Escala de activos 1
registro(PER final)
oh oh
registro{Activos totales−I A) +(Ventas totales)}
Escala de activos 2 oh oh
2
promedio(Ventas3años)
Escala de activos 3 registro
Dakota del Sur(Ventas3años)
oh
(Activos no corrientes−Activo intangible)
Calidad de los activos 1 oh
Activos totales
Desempeño empresarial 1
Ingresos de explotación
oh
Ventas
a(FNC3años)
Calidad del resultado 1 oh oh
a(Ventas3años)
a(FCF3años )
Calidad del resultado 2 oh oh
a(Activos totales3años)
Carga financiera 1 Responsabilidad total

Accionistas′Equidad oh oh oh
Préstamos totales
Carga financiera 2 oh oh
Activos totales
DE C+ATAR
Capacidad de pago 1 registro
Préstamos de corto plazo+ATAR
oh
FCI externa−FCO externo
Capacidad de pago 2 Préstamos totales
oh
a=Acumulado.FNC=Flujo de efectivo neto.ATAR=Gasto total por intereses.I A=Activo intangible.FCI=Financiación Entrada de caja.FCO=Salida de efectivo de financiación.
Tabla 3.Indicadores de seguimiento basados en estados financieros asociados a cada evento crediticio.
Evento de crédito Razón Indicador relacionado
1. Si los estados financieros de la empresa siguen la ecuación por debajo del 50% durante Escala de activos 1
dos años seguidos, la empresa eliminará su cotización: Escala de activos 2
Escala de activos 3
capital social−accionistas′equidad
Ratio de capital deteriorado− . Desempeño empresarial 1
Abolición de la cotización Capital social
Calidad del resultado 1
2. Si las ventas son inferiores a 5 mil millones de wones durante 2 años consecutivos;
3. Vulnerabilidad de la situación financiera; Carga financiera 1
4. Posibilidad de incumplimiento o quiebra. Carga financiera 2
1. Si una empresa vale la pena continuar con su negocio pero no logra cubrir la deuda
con utilidades operativas debido a sobreinversión o accidentes financieros, seguirá un Escala de activos 1
Procedimiento de rehabilitación proceso de rehabilitación corporativa; Escala de activos 2
2. En otras palabras, si la deuda es mayor que el beneficio operativo, es probable que se Carga financiera 1
someta al proceso de rehabilitación.
Calidad del activo 1

El índice de adecuación de capital, el índice circulante, el índice de verificación y el ingreso ordinario de los
Bancarrota Calidad del resultado 2
activos totales son la causa del incumplimiento corporativo.
Capacidad de pago 1
Capacidad de pago 2
Es necesario revisar si el deudor se ha declarado insolvente o moroso. Es
necesario examinar los estados financieros, las listas de activos y pasivos a
cargo del deudor. Si hay más activos que pasivos, se sospecha contabilidad Carga financiera 1
Insolvencia
de quiebra y las solicitudes de quiebra no son posibles. En otras palabras, Carga financiera 2
para identificar la insolvencia se debe comprobar la carga financiera.
Tabla 4.Índice de seguimiento basado en datos de divulgación financiera.
Conceptos Evaluación
Una actividad utilizada por las empresas para obtener capital social
Incremento de capital proporcionando a los accionistas nuevos o existentes el derecho a suscribir En general, reconocido negativamente.
nuevas acciones.
La posibilidad de exclusión de la bolsa por el cambio frecuente de Comprobación de la frecuencia de cambio de mayor
Cambio de mayor accionista
mayor accionista. accionista en un plazo de 2 años.
Provocando riesgos financieros y un cambio frecuente de estrategia de la Comprobar la frecuencia del cambio de director representante
Cambio de consejero representante
empresa. en un plazo de 2 años.
Fusionar el número de acciones listas para negociar en una proporción Evaluado positivamente;
Fusión por su valor nominal Venta cambiando el precio de las acciones; Evaluado positivamente;
de acciones propias Cambio de Vender acciones propias de una empresa a precio de descuento; Comprobar la frecuencia de cambio del negocio
negocio esencial Alta de negocio Problemático al cambiar con frecuencia el negocio esencial; Problemático esencial;
esencial Solicitud de divulgación a la hora de añadir nuevos negocios esenciales para un aumento a corto Comprobar las relaciones con las empresas existentes;
del plazo del precio de las acciones; Verificar las respuestas a la divulgación solicitada;
Adquisición de acciones de otra empresa. Permitir el seguimiento de rumores maliciosos sobre una empresa; La Comprobación del precio de compra y finalidades de la
posibilidad de adquirir acciones para fusiones y adquisiciones. adquisición.
3.2.2. Minería de Opinión
El proceso de minería de opiniones lleva a cabo evaluaciones de minería de opiniones de empresas basadas en noticias
corporativas y opiniones de la comunidad. En primer lugar, se recopilan noticias y opiniones firmes relacionadas. A
continuación, se eliminan de estos datos recopilados la información y los anuncios innecesarios. Estos datos refinados luego
se analizan para análisis de sentimiento y análisis de word2vec. Después de la recopilación y el refinamiento de los datos, los
precios de las acciones se explotan para asignar valores de sentimiento. Se supone que el período en el que las noticias y los
datos sociales pueden afectar la volatilidad del precio de las acciones es de tres días. Por ejemplo, si el precio de las acciones
de la empresa A sube el 1 de septiembre, las opiniones registradas entre el 29 y el 31 de agosto se consideran positivas. Estos
tres días se utilizaron como un período estándar en el que las opiniones se reflejaban bien en el precio de las acciones
mediante una evaluación cualitativa.
Se seleccionan palabras clave con valores de polaridad definidos. Luego se asignan valores de sentimiento a las
opiniones para derivar el valor de sentimiento para cada palabra. Se seleccionan cuatro palabras clave con los valores de
opinión más altos entre las palabras calculadas. Según la coexistencia de la palabra utilizando datos previamente analizados,
la incrustación de palabras se realiza con word2vec. Luego, el valor de coordenadas de la palabra se deriva basándose en la
incrustación. Finalmente, los valores de opinión y las coordenadas de la palabra clave principal derivada de lo anterior se
asocian con el resultado de la incrustación de palabras. Luego, el valor sentimental de cada palabra se deriva utilizando la
distancia entre la palabra clave principal y otras palabras. Cuando la palabra clave principal es positiva, se incrustarán
palabras características similares cerca de la palabra clave principal. Por tanto, pueden valorarse como palabras positivas. Del
mismo modo, cuando la palabra clave principal es negativa, las palabras incrustadas cerca de la palabra clave principal
pueden evaluarse como palabras negativas. En última instancia, los valores de sentimiento de todas las palabras se pueden
calcular en función de su distancia de la palabra clave principal. Después de calcular los valores de opinión para todas las
palabras, se calcula el valor de opinión por documento.
La distancia entre la palabra y la palabra clave principal utiliza la distancia euclidiana. El valor del
sentimiento se asigna en proporción inversa a la distancia. El valor sentimental de la palabra clave, el índice de
proximidad entre la palabra clave y la palabra clave principal, y la distancia entre la palabra clave y la palabra
clave principal son los siguientes:
∑metro
valor sentimental de la palabra clave i= (Índice de proximidad entre la palabra clave i y la palabra clave principal j)
j=1
1
Índice de proximidad entre la palabra clave i y la palabra clave principal j= ∗ (Valor sentimental de la palabra clave principal j)
r2
√
( )2 ( )2
rj= (Distancia euclidiana entre la palabra clave i y la palabra clave principal j= Xi−Xj +yi−yj (i=1,··· ,metro).
Por ejemplo, si hay dos palabras clave principales, "envío" y "compra", las coordenadas de "envío" se
derivan como (1,2522, 0,0515) y el valor de sentimiento es −17,1. Las coordenadas de 'compra' se derivan
como (−5.1012, 3.1122) y el valor de sentimiento es 20. Si el valor de coordenadas de la palabra 'gran
altitud' es (1.8050, 0.7221), la diferencia de distancia entre 'gran altitud' y ' envío' es 1,3233, mientras que
la diferencia entre las coordenadas de 'alta altitud' y 'compra' es 0,0187. Si el valor del sentimiento se
calcula según la ecuación anterior, es −22,2658.
Luego, el índice de seguimiento para la extracción de opiniones se calcula en función del valor de sentimiento del
documento. Los indicadores de seguimiento antes mencionados se utilizan para indicar el nivel negativo de una empresa
analizando la proporción de documentos negativos o el período durante el cual se mantiene la opinión negativa para
determinar las señales de riesgo de la empresa. Dado que las unidades para los distintos indicadores son diferentes, se
aprovecha la estandarización para integrar los indicadores. Las definiciones y explicaciones de cada indicador y unidad se
muestran en la Tabla5
Tabla 5.Índice de seguimiento basado en minería de opiniones.
Indicador Unidad Definición y explicación

La tasa de cambio se puede interpretar como una señal única.
Promedio del valor de sentimiento Debido a que esta señal explota el valor acumulado, no el
Puntaje
acumulado promedio, puede interpretarse como diferente del ratio.
Se puede entender que se mantiene la misma valoración mientras se

mantenga el mismo sentimiento. Si el mantenimiento positivo dura
El número de días con el mismo mucho tiempo, entonces la probabilidad de un evento crediticio negativo
Día
sentimiento. es baja. Por otro lado, si el mantenimiento negativo dura mucho tiempo,
entonces la posibilidad de que se produzca un evento crediticio negativo
es alta.
El número de conversiones de opiniones positivas a negativas o de

opiniones negativas a positivas dentro de un período determinado.
El número de opiniones positivas y
Número
negativas que se superponen entre sí. Este valor puede ser interpretado por las numerosas opiniones
encontradas durante el período y porque los inversores estaban
interesados en este fenómeno.
Proporción cambiante de la puntuación de sentimiento El índice indica la proporción cambiante de la puntuación de sentimiento
%
promedio por día diaria.
3.2.3. Detección de señal
La señal de riesgo de una empresa se explora utilizando el índice de seguimiento, incluido el índice basado en
datos de divulgación y estados financieros y el índice basado en la extracción de opiniones. Los estados financieros y
los datos divulgados pueden tratarse como evaluaciones externas de las actividades corporativas y del estado de la
empresa. La minería de opiniones no sólo está relacionada con las actividades corporativas sino también con las
opiniones de los inversores o evaluaciones medioambientales externas. Los estados financieros y los datos de
divulgación se actualizan periódica o irregularmente según el momento de su presentación. Por otro lado, el valor
emocional de la minería de opiniones siempre cambia. Por tanto, la señal debe dividirse en dos perspectivas. El valor
se expresa de la siguiente manera:
Índice de actividad empresarial =a× (Suma ponderada del indicador basada en el estado financiero.)
+ b× (Suma ponderada del indicador basada en los datos de divulgación.)
Índice de Opinión Minera=Suma ponderada del indicador de minería de opiniones.
Para sugerir una señal de riesgo, cada tipo de indicador se clasifica en cinco grados. Para clasificar estas
calificaciones se definen valores de corte. Se analizan un total de 528 casos para determinar valores de corte. Los
valores de corte se determinan según el 20%, 40%, 60% y 80% superior de cada índice, como se muestra en la Tabla6.
Cada indicador se estandarizó de 0 a 1. Se calculó un índice integrado mediante la suma ponderada entre ellos. En
este caso, la ponderación de la actividad empresarial se definió como 40% en la ponderación de los estados
financieros y 60% en la ponderación de los datos de divulgación. No hay cambios significativos dentro de un año en el
caso de los estados financieros. Sin embargo, dado que siempre se pueden obtener datos de divulgación, a estos
datos de divulgación se les asigna un peso mayor porque es muy probable que afecten la inversión de la empresa. En
otras palabras, es posible hacer una predicción más precisa utilizando un indicador que fluctúe constantemente desde
una perspectiva fija. Finalmente, con base en el índice de actividad empresarial medido y el índice de minería de
opinión, la ley promedio del intervalo se mide durante 1 año, 6 meses y 3 meses. Además, el grado de riesgo total se
obtiene siguiendo la matriz de grado de riesgo total basada en el grado de actividad de la empresa calculado y el
grado de minería de opinión. Este valor se muestra en la figura.2. Luego, los grados se clasifican en señales de peligro,
advertencia o atención. El grado de riesgo total se evalúa desde dos perspectivas: el grado de actividad firme y el
grado de minería de opinión, derivados en total de los grados 1 a 5. Por ejemplo, si el grado de actividad firme es
superior a 0,45 y el grado de minería de opinión es inferior a 0,20, entonces el grado de riesgo total ocupa el puesto
número 1, con el valor de riesgo más bajo. Por el contrario, si el grado de actividad empresarial es menor
superior a 0,20 y el grado de minería de opinión es superior a 0,44, el grado de riesgo total se selecciona como el grado de
riesgo más alto de 5. Los criterios utilizados para distinguir estas señales de riesgo se muestran en la Figura3.
Tabla 6.Valor de corte del índice.
Estándar Puntuación de actividad empresarial Puntuación de minería de opinión
20% superior 0,1996 0,1967

40% superior 0.2632 0.2855
60% superior 0.3340 0.3711
80% superior 0.4507 0.4396
Opinión grado minero(b)

Calificación 1 2 3 4 5
Calificación Estándar (b<0,20) (0,20≤b<0,29) (0,29≤b<0,37) (0,37≤b<0,44) (0,44<b)
1 (0,45≤a) 1 2 2 3 4
Firme
2 (0,33≤a<0,45) 2 2 3 3 4
Actividad
3 (0,26≤a<0,33) 2 3 3 4 4
Grado A)
4 (0,20≤a<0,26) 3 3 4 4 5
5 (a<0,20) 4 4 4 5 5
Figura 2.Matriz de grados de riesgo total.
Figura 3.Proceso de decisión de señales de riesgo.
En este estudio, el riesgo se reconoció de forma conservadora. La media de dos clases de indicadores se
redondeó al alza para una gestión estricta. Sin embargo, si la diferencia entre los dos grados es 4, el grado de riesgo
integrado en sí se define como 4 porque los grados que se desvían entre sí pueden producir resultados distorsionados
cuando se utilizan promedios.
3.3. Arquitectura del sistema
En esta sección, los tipos an Se definen los módulos d de DB (Base de Datos). Estos tipos y módulos son
requerido para que el sistema sistema matizar el re sresultado de la búsqueda. t el sistema es arquitectura sh oh ¿Cuáles son los datos?
son requeridos rojo para e amódulo de canal a d donde el slos datos vienen f ROM. Una verdadera s y usuario de raíz en tLa superficie será
norte
ilustrar d en cha pag

tercer 4.
3.3.1. Base de datos
Para obtener resultados del proceso de evaluación de riesgos, se requieren datos. Dado que los datos requeridos para cada
módulo de proceso son diferentes, las bases de datos asociadas con estos datos también son diferentes. La base de datos requerida
para este proceso se divide en tres categorías: una base de datos de información corporativa, que contiene datos de divulgación y
estados financieros de la empresa, una base de datos de noticias, donde se recopilan las noticias corporativas, y una base de datos
social que recopila datos sociales. En primer lugar, la base de datos de información corporativa recopila datos relacionados con las
actividades de la empresa que divulga cada empresa. Contiene estados financieros y datos de divulgación. La base de datos de noticias
recopila datos de noticias mediante la búsqueda de artículos vinculados a sitios de portales de búsqueda coreanos. Estos se recopilan
mediante el rastreo web. Finalmente, la base de datos social explota palabras clave específicas de la empresa en varios sitios
comunitarios. Twitter es un ejemplo representativo. La base de datos social también aprovecha el rastreo web para la recopilación de
datos. Luego se eliminan la información y los anuncios innecesarios de las noticias y los datos sociales. Luego se realiza el
procesamiento preliminar mediante análisis de sentimiento y análisis de word2vec.
3.3.2. Módulos
Se necesitan módulos para construir el proceso de evaluación de riesgos. Hay tres módulos: el módulo de evaluación del
riesgo crediticio, el módulo de extracción de opiniones y el módulo de detección de señales. En primer lugar, el módulo de
evaluación del riesgo crediticio evalúa la solidez financiera de una empresa en función de sus actividades comerciales. Luego,
el módulo deriva las empresas que se prevé que estén en riesgo de quiebra como grupo de riesgo y las utiliza para el análisis
de las empresas objetivo. Con base en la información de las empresas recopiladas, se realiza un análisis de máquina de
vectores de soporte (SVM) para predecir las empresas que tienen posibilidades de incumplimiento. SVM explota datos
corporativos pasados para distinguir entre el grupo de ocurrencia de eventos crediticios y el grupo de pago normal. Los
indicadores financieros (desempeño empresarial, rentabilidad, evaluación de la estabilidad) y los indicadores no financieros
(número de divulgaciones) se explotan como variables independientes. Los eventos crediticios se utilizan como variables
dependientes. El módulo de minería de opiniones explota noticias/datos sociales y asigna valores de sentimiento a las
opiniones en función de la fluctuación de los precios de las acciones. Si el precio de las acciones sube, las noticias y
comentarios sociales creados en esa fecha se evalúan como positivos. Por otro lado, cuando el precio de las acciones baja, las
noticias y los comentarios sociales se consideran negativos.
Finalmente, el módulo de detección de señales predice el riesgo crediticio de las empresas que son seleccionadas como
empresas de riesgo. A partir de las características de cada señal se deriva la posibilidad de eventos crediticios futuros y el nivel
de riesgo. Para ello, se utiliza el índice de actividad empresarial y el índice de minería de opinión para generar calificaciones
para cada indicador de la empresa e identificar el nivel de riesgo integrado para cada período. Como resultado del módulo, se
trazan los cambios en el nivel de riesgo a lo largo del tiempo y se presenta una señal de riesgo de inversión. En consecuencia,
esta señal se puede dividir en tres etapas (riesgo, advertencia y atención), presentando así un nivel de riesgo para cada
empresa.
3.3.3. Funciones
Este sistema puede verificar automáticamente artículos de noticias, publicaciones personales e información pública
sobre la empresa preseleccionada y proporcionar los resultados de una evaluación de riesgos basada en índices numéricos
basada en un análisis de sentimiento. Además, los usuarios del sistema pueden participar directamente en la evaluación
marcando las fuentes de datos, como artículos de noticias, como positivas o negativas. Los resultados se reflejan en el
proceso de aprendizaje del análisis de sentimientos y se actualizan dinámicamente para mejorar el rendimiento del análisis.
Para la sistematización, cada módulo carga diferentes datos de la BD. Primero, el módulo de evaluación del riesgo crediticio
recupera datos de la base de datos de información corporativa porque el módulo se basa en la información de la empresa.
Sus datos incluyen estados financieros y datos de divulgación que contienen un historial de actividades comerciales. Este
módulo invoca un número entero positivo, como cómo ocurre cada evento crediticio importante, y un número normalizado
que describe las variables en los estados financieros. A continuación, el módulo de minería de opiniones recupera datos
analizados de la base de datos de noticias y de la base de datos social. Finalmente, el módulo de detección de señales explota
el valor de sentimiento del módulo de extracción de opiniones y la información de la empresa del módulo de evaluación del
riesgo crediticio.
4. Ilustración
4.1. Recopilación de datos
En esta sección, ilustraremos una empresa real en el mercado de valores. CompañíaAfue elegido como objetivo
de análisis. CompañíaAproduce dióxido de titanio y sulfato de cobalto en Corea. Actualmente es una empresa
importante. Sus acciones han subido más de tres veces en todo el mercado de valores y en el mercado KOSDAQ, hasta
septiembre. Además, las opiniones de sus usuarios son diversificadas y cuenta con diversas divulgaciones. Por lo
tanto, es apropiado seleccionar EmpresaAcomo tema a analizar en este estudio. Se seleccionó como período de
análisis un período de un año (de septiembre de 2016 a agosto de 2017). Primero, los datos de la empresa.Afueron
recolectados. Los datos recopilados de la empresa.Ase muestran en la tabla7. Para recopilar datos de la empresa,
desarrollamos código R para rastreo web.
Tabla 7.El número de puntos de datos.
El número de puntos de datos recopilados

Período de recopilación de datos
Noticias Comunidad Total
13/09/2016–12/09/2017 187 1733 1920
4.2. Evaluación de riesgo crediticio
Evaluar el índice de actividad empresarial de la empresa.A, los datos fueron tomados de la base de datos de información
de la empresa. El número de estados financieros y eventos crediticios en los datos de divulgación son los datos requeridos.
Para la compañiaA, el número de divulgaciones en 2017 aumentó significativamente. Además, su índice de actividad
corporativa cambió drásticamente debido a la emisión de bonos corporativos (CB, EB). Como resultado, la empresaAtuvo 8
eventos de crédito. CompañíaAes evaluada como una empresa que tiene un buen tamaño y calidad de activos. Sin embargo,
el rendimiento empresarial derivado no es especialmente bueno. Además, su capacidad de pago derivada es débil. Los
detalles específicos se muestran en la tabla.8.
Tabla 8.Evaluación del riesgo crediticio de la empresa.A.
Designación del indicador Valor

Escala de activos 1 1
Escala de activos 2 1
Escala de activos 3 0.729942
Calidad de los activos 1 0.623354
Desempeño empresarial 1 0,113553
Calidad del resultado 1 − 0,20392
Calidad del resultado 2 0.662191
Carga financiera 1 1
Carga financiera 2 0.347014
Capacidad de pago 1 −1
Capacidad de pago 2 − 0,48343
4.3. Minería de Opinión
Evaluar el índice de minería de opinión de la empresa.A, se obtuvieron noticias recopiladas y datos sociales. Con
base en estos datos, se realizó un análisis de word2vec y el valor de sentimiento se propagó a las palabras vecinas en
función del valor de sentimiento de la palabra clave principal. Las puntuaciones de sentimiento de todo el documento
se calcularon utilizando el valor de sentimiento de cada palabra. Finalmente, fue posible calcular el índice de minería
de opinión para las empresas.A. A través de este proceso, se obtuvo un resultado parecido a una figura. En mayo de
2017 apareció la palabra negativa 'split'. En agosto de 2017 se mencionaron con frecuencia palabras negativas como
"bonos convertibles". En marzo de 2017 aparecieron palabras clave muy negativas en relación con la emisión de bonos
corporativos. En agosto se produjeron fluctuaciones repentinas en el mercado. Al mismo tiempo, se superpusieron
términos negativos como "bonos convertibles", lo que indica valores muy negativos.
Por otro lado, de acuerdo con la política de coches eléctricos del gobierno, hubo un período en el que las
empresasAsurgió como beneficiario y fue evaluado positivamente. En ese período, se obtuvo una puntuación
positiva.
4.4. Detección de señal
El índice de actividad empresarial y el índice de minería de opinión para la empresa.Ase muestran en la tabla9.
CompañíaAmostró grandes fluctuaciones en ambas calificaciones. En particular, el nivel de actividad empresarial cayó
de 2 a 5 en un año. Esto se debió a que el número de divulgaciones aumentó significativamente en 2017. En 2017, la
Autoridad Financiera de Corea solicitó la divulgación a la empresa.Acuatro veces, para evaluar la empresaALos
rumores. Además, empresaAemitió dos bonos convertibles (CB) para asegurar los fondos operativos. El nivel de riesgo
para la empresa.Acontinuó fluctuando mientras procedía a la escisión. Como resultado, la empresaALa calificación de
riesgo integrada fue evaluada como muy peligrosa (4,4 para un año, 4,31 para los últimos seis meses y 4,50 para los
últimos tres meses). Su actividad comercial obtuvo una puntuación alta. Al mismo tiempo se calculó que el índice de
minería de opinión, que obtuvo una puntuación superior a 3,5, era alto. Por lo tanto, la calificación de riesgo integrada
fue evaluada como 'precaución'. Esto indica que es necesario prestar atención a la inversión en empresas.A. También
indica que la observación continua es necesaria para que la empresaA.
Tabla 9.Grado de riesgo total de la empresa.
Grado del índice

Período
Puntuación de actividad empresarial Puntuación de minería de opinión Puntaje total
Toda la sección 5.00 3.60 4.40

últimos 6 meses 5.00 3.31 4.31
últimos 3 meses 5.00 3.67 4.50
4.5. Implementación de interfaz del sistema de detección de señales de riesgo.
Después de evaluar la calificación de riesgo integrada de una empresa, se visualizan las palabras clave positivas/negativas y los
contenidos relevantes, luego se presentan los puntos de perspectiva clave después de evaluar el nivel de riesgo integrado para cada
empresa. Se presentan palabras clave positivas/negativas para cada punto clave de la valoración corporativa. Los datos de la empresa
relacionados con las palabras clave se obtienen en forma de un mapa de palabras clave. A continuación se derivan estrategias de
seguimiento e inversión personalizadas para cada evaluación de riesgos. Además del nivel de riesgo integrado mencionado
anteriormente, esta sistematización proporcionará a los usuarios la información necesaria. Este sistema tiene como objetivo visualizar
los resultados después de tomar los datos requeridos de la base de datos y realizar los procesos necesarios para cada módulo, como se
muestra en el Capítulo 3 anterior.
El proceso de recopilación de datos comienza con la recopilación diaria de nuevas noticias, comentarios de la
comunidad y anuncios de dardos. Cuando se ejecuta el programa, la recopilación de datos comienza automáticamente para
el análisis de las empresas objetivo ingresadas previamente. Estos datos recopilados se presentan en la UI (interfaz de
usuario) como se muestra en la Figura4. También se puede establecer el período de análisis. Además, se pueden verificar las
palabras positivas y negativas registradas previamente para mejorar la precisión del análisis de sensibilidad de cada empresa,
como se muestra en la Figura5. Luego se establecen los valores límite de importancia de las palabras y un período objetivo de
análisis para aprender los datos. Cuando se completa la configuración, se puede presionar el botón "iniciar aprendizaje" para
pasar al siguiente paso.
Figura 4.Página principal del sistema de detección de señales de riesgo.
Figura 5.La página de puntuación de minería de opinión de cada empresa.
La interfaz principal busca empresas y proporciona información sobre la extracción de opiniones de las empresas
buscadas, como se muestra en la Figura6. Proporciona puntuaciones de extracción de opiniones junto con el aumento y la
disminución de noticias diarias para todas las empresas observadas que el usuario ha registrado con antelación. Además, la
interfaz principal proporciona cambios positivos y negativos semanales en el índice de opinión y el recuento de noticias, que
se pueden visualizar en una nube de palabras, para visualizar qué palabras clave principales aparecen en las noticias positivas
y negativas.
Figura 6.Recopilación de noticias de cada firma.
Si los usuarios desean adquirir información detallada sobre una empresa individual, pueden hacer clic en el nombre de la
empresa a la izquierda para ir a la interfaz de usuario, que proporciona información detallada sobre la empresa. Como se muestra en
la figura7, los usuarios pueden ver noticias específicas de la empresa, opiniones de la comunidad y datos de divulgación en la interfaz
de usuario.
Figura 7.Recopilación de datos de divulgación de cada empresa.
Para adquirir información sobre empresas que no están registradas, el sistema necesita conocer las empresas, como se
menciona en el marco. La pantalla de interfaz de usuario anterior es una interfaz de usuario para conocer una empresa.
Sostenibilidad2019 20 de 26
que aún no ha sido registrado. Luego, el sistema agrega la empresa a la base de datos. Primero, se puede agregar el
nombre de la empresa en la esquina inferior izquierda como se muestra en la Figura8. Luego se establece el período
de datos a aprender. Se establece el valor de corte que distingue entre noticias positivas y negativas y se realiza un
aprendizaje de los datos de la empresa. Es posible aumentar la precisión de los datos determinando los valores
positivos o negativos de las palabras mediante el uso de la función de diccionario o agregando la palabra clave
principal de la empresa como se muestra en la Figura.9.
Figura 8.Página de configuración del diccionario firme.
Figura 9.Página de configuración de diccionario común.
Con base en los datos aprendidos, se pueden verificar las noticias en función de qué tipos de noticias se han reportado para las empresas
registradas en la base de datos. Estas fechas se presentan en la interfaz de usuario, como se muestra en la Figura10. Al utilizar la interfaz de
usuario del sistema propuesta, podemos ver que se utilizan tanto el módulo de evaluación del riesgo crediticio como el módulo de extracción de
opiniones explicado en el marco.

Figura 10.Clasificar las noticias de sentimiento de cada firma.
A continuación, se realiza la detección de señales en función de la actividad de la empresa derivada y el grado de

minería de opinión. Como se muestra en la figura11, se resalta el período de tiempo en el que la calificación cambia
bruscamente en el gráfico del nivel de riesgo. Para el intervalo resaltado, se presenta la palabra clave principal del período.
Luego, cada palabra clave principal se divide en palabras clave detalladas que describen la palabra clave principal. Luego se
visualiza una noticia o una opinión social relacionada con la palabra clave. A continuación, el sistema sugiere qué tipo de señal
de riesgo es la empresa. En definitiva, la visualización del sistema permite a los usuarios adquirir información más fácilmente.
Al obtener estos datos refinados, los usuarios podrán tomar decisiones más informadas.
Figura 11.Página de detección de señal.
5. Discusión
El sistema de detección de señales de riesgo propuesto en este estudio puede mejorar la usabilidad al brindar
comodidad inmediata a los usuarios y análisis en tiempo real. De hecho, muchas empresas de seguridad están recopilando
datos en tiempo real. Sin embargo, la mayoría de los datos que juegan un papel clave en la empresa, como noticias y
Los datos de divulgación están dibujados a mano. Esto puede producir una respuesta lenta de la firma de
corretaje cuando ocurre un incidente. En el peor de los casos, incluso se pierde un evento principal. Si se utiliza
nuestro sistema, será posible mejorar la precisión y automatizar el trabajo, que actualmente depende del
trabajo manual. En otras palabras, es posible minimizar los problemas mencionados anteriormente.
Además, todos los eventos que ocurren en el sistema de seguridad no están determinados de antemano. En algunos
casos, acontecimientos que normalmente se evalúan como negativos pueden evaluarse positivamente y reflejarse
positivamente en los precios de las acciones. Por otro lado, los acontecimientos evaluados como positivos podrían tener un
efecto adverso en el precio de las acciones. Por lo tanto, la parte más importante al tomar una decisión sobre inversiones en
valores debería ser comprender rápidamente cómo se reflejan las opiniones de los inversores en el precio de las acciones. De
esta manera, el sistema explotó los datos de divulgación y los estados financieros, que pueden considerarse objetivamente.
Este sistema también cuantifica las opiniones de los individuos, que son subjetivas. Por tanto, el sistema proporciona una base
para apoyar la toma de decisiones.
Finalmente, el sistema tiene la ventaja de utilizar metodologías cualitativas y cuantitativas de manera adecuada
en el proceso de evaluación de riesgos. Si el sistema está sesgado hacia un método cualitativo, puede haber dudas
sobre la confiabilidad del sistema. Si carece de visualización numérica, puede confundir a los usuarios. Por el
contrario, si el sistema está sesgado de forma cuantitativa, puede excluir información invisible, lo que da como
resultado un resultado que no refleja la realidad. Por este motivo, es importante combinar adecuadamente ambas
metodologías. Este sistema demuestra una técnica de gestión de riesgos que utiliza adecuadamente información
tanto cuantitativa como cualitativa.
Sin embargo, este sistema tiene el inconveniente de que depende demasiado de las palabras clave.
Dependiendo del aspecto positivo o negativo de la palabra clave, el valor de sentimiento de las palabras vecinas
también cambia. Es posible que se mezclen palabras clave positivas y negativas debido a las características naturales
de word2vec. Por lo tanto, es necesario sugerir complementos o alternativas para los datos de visualización de
word2vec en el sistema porque puede resultar difícil captar todo el flujo. Incluso los datos visualizados pueden
proporcionar vistas inexactas cuando los usuarios interpretan los datos. Además, dado que el sistema explota NLTK,
un paquete de procesamiento del idioma coreano, tiene el problema de que el nombre de la empresa no se reconoce
como nombre propio. Esto puede degradar la precisión del análisis, requiriendo el engorroso proceso de agregar la
palabra al diccionario por adelantado.
Para mejorar la precisión del análisis, las palabras seleccionadas, que se reflejaron en el diccionario y se
limitaron a formas sustantivas, deben ser sofisticadas. Aunque diferentes partes del discurso, como verbos y
adjetivos, podrían afectar el valor del sentimiento, estas partes del discurso se excluyeron porque creaban una
gran cantidad de ruido. Por lo tanto, es necesario realizar un análisis del sentimiento con mayor precisión.
Además, este estudio puede ampliar el marco aplicando un modelo basado en aprendizaje profundo que
optimiza automáticamente los parámetros de acuerdo con los datos de aprendizaje.40,41]. Además, los datos
de opinión corporativa se pueden aplicar a una variedad de áreas en trabajos de gestión [42]. En otras
palabras, el propósito del análisis se puede ampliar a un modelo aplicable a diversas industrias aplicándolo al
marketing y otras áreas, como el desarrollo de productos y tecnologías, en lugar de desde una perspectiva de
inversión financiera.
6. Conclusiones
En este estudio, se desarrolló un sistema inteligente de apoyo a las decisiones de inversión en seguridad vinculando la
extracción de opiniones de datos de noticias, datos sociales y datos corporativos con las inversiones en seguridad existentes. En primer
lugar, para examinar los grupos de empresas en riesgo, se obtuvieron datos de las empresas y el sistema intentó explotar SVM e
identificar la frecuencia de aparición de palabras clave de los eventos crediticios. Del proceso de identificación del evento crediticio se
derivó una puntuación de evaluación firme. Después del proceso de selección, el valor de sentimiento del documento se calculó
explotando el valor de sentimiento de la palabra clave principal derivado de las noticias y la opinión de los inversores. De este modo, se
derivó cada valor de riesgo de la empresa (el llamado puntaje de minería de opinión). Con el puntaje de evaluación de la empresa y el
puntaje de extracción de opinión, se calculó el valor de riesgo de la empresa. Este valor
se aprovechó para pronosticar el riesgo crediticio y sugerir información sobre la empresa analizada. Todos los datos
derivados se pudieron visualizar y utilizar en el sistema.
En estudios anteriores, el desarrollo de dicho algoritmo se llevó a cabo principalmente utilizando datos de la empresa,
como datos de divulgación, estados financieros o extracción de opiniones. Sin embargo, se puede derivar un resultado
sesgado. Por lo tanto, en este estudio se explotaron ambos tipos de datos. En primer lugar, es posible evaluar la empresa
como en riesgo utilizando únicamente datos firmes. Sin embargo, los inversores son sujetos de la inversión. Sus opiniones no
se reflejan en las actividades de la empresa. Por lo tanto, es posible adquirir información que no puede reflejarse en los datos
corporativos mediante el uso de la minería de opiniones para reflejar las opiniones de los inversores. Por ejemplo, es posible
que las noticias y rumores importantes sobre una empresa no se reflejen en los datos divulgados o en los estados financieros.
Sin embargo, pueden reflejarse en las opiniones de los inversores. En otras palabras, es posible captar rumores antes de que
se reflejen en los datos corporativos. Esto puede ayudar a los inversores a actuar antes de que la especulación se materialice y
se refleje en los precios de las acciones. además de empresaA ilustrado en este estudio, una empresa medianaBTambién fue
analizado. CompañíaBLa calificación de actividad de la empresa se obtuvo como 3, lo que significa que el negocio de la
empresa era relativamente bueno. Sin embargo, la calificación de opinión para la empresaBestaba por encima de 4,5. Así, se
encontraron señales negativas y se determinó que las perspectivas de inversión estaban en peligro. Inmediatamente después
del análisis de la empresa.B, el precio de las acciones de la empresa Bcayó más del 30%.
Por el contrario, el análisis centrado en la extracción de opiniones puede resultar en una pérdida de rendimiento
empresarial. En el caso de la empresaA, la calificación de minería de opinión fue de aproximadamente 3,5. Sin embargo, su
calificación de actividad empresarial fue de 5. Esto significa que los inversores evaluaron positivamente a la empresa, a pesar
de que el desempeño real de la empresaANo fue bueno. De hecho, el precio de las acciones de la empresa.Asiguió
aumentando. Los inversores tenían muchas opiniones positivas sobre la empresa.A. Por tanto, el precio de las acciones de la
empresa es 10 veces mayor que su precio de hace un año, justo después del período de análisis. Sin embargo, como la
empresa siguió luchando con sus malas condiciones financieras y derechos de gestión, finalmente registró una caída. Como
resultado, el precio de las acciones cayó un 40% durante el período analizado. Por lo tanto, para evaluar una empresa, es
necesario evaluar los datos de la empresa junto con la extracción de opiniones.
Aunque las metodologías cuantitativas se han utilizado ampliamente en los sistemas de gestión de riesgos
existentes, son difíciles de entender. Además, la objetividad puede deteriorarse si una metodología depende en gran
medida de las opiniones cualitativas de expertos. Por otro lado, nuestro sistema visualiza todos los resultados y facilita
al público la comprensión de la información. Al automatizar la mayoría de los procesos, los usuarios no tienen que
gastar recursos significativos para obtener la información que necesitan, porque pueden procesarla fácilmente. El
sistema propuesto logra garantizar la objetividad al depender menos de las opiniones de los expertos. La contribución
del sistema propuesto en este estudio es que los datos cualitativos estructurados basados en texto se utilizan como
un indicador cuantitativo de evaluación de riesgos corporativos a través del análisis de datos. Este sistema permite a
los usuarios ver los resultados objetivos de la evaluación corporativa de un vistazo utilizando no sólo información
confidencial interna sino también información compartida en Internet. Además, los usuarios pueden evaluar y
participar fácilmente en la evaluación de opiniones de cada fuente de datos en función de sus conocimientos en el
sitio. Esta participación se refleja en el aprendizaje en tiempo real en el sistema.
Desde un punto de vista teórico, este estudio sugiere una metodología novedosa para detectar la señal de riesgo de
una empresa mediante la utilización de un indicador de datos corporativos estructurados junto con una extracción de
opiniones basada en datos sociales no estructurados en el mercado de valores financiero. Este estudio ha desarrollado una
metodología para ayudar a las entidades de inversión financiera a alcanzar sus objetivos, con el objetivo de detectar riesgos
financieros, indexar la información corporativa (incluidos los estados financieros) y analizar el grado de positividad y
negatividad a través de la minería de opiniones de datos sociales. Se presentó una metodología novedosa basada en la
hipótesis de que la información sobre el riesgo financiero se puede analizar cuantitativamente mediante el análisis de
sentimientos sobre datos sociales extraídos de artículos de noticias y publicaciones en Internet.
Según los resultados de este estudio, es posible derivar señales de riesgo mediante un seguimiento integrado. También
es posible obtener varios tipos de datos de decisión para los usuarios. A través del análisis de datos de un año, podemos
brindar señales según el nivel de riesgo de cada empresa y brindar información que pueda ayudar a los inversionistas a tomar
decisiones basadas en señales de riesgo. Además de analizar los estados financieros existentes
y divulgación de datos, buscamos utilizar información que no podía derivarse de datos existentes a través de la
extracción de opiniones. Esto brinda la oportunidad de identificar nuevos impulsos de inversión y al mismo
tiempo identificar los factores de riesgo de una empresa.
Sin embargo, en este estudio, dado que el valor límite del nivel de riesgo se estableció según 534 casos de empresas
existentes, los criterios se pueden derivar de manera diferente según los datos de un conjunto de datos sin procesar. Además,
las características de la información de las empresas por industria pueden ser diferentes. Estas características no fueron
incluidas en este estudio. Además, hay una falta de experiencia en el área de inversiones según las señales presentadas a
través de investigaciones bibliográficas y estudios de casos. Por lo tanto, es necesario añadir y complementar el conocimiento
sobre inversiones. Además, como la recopilación de datos lleva mucho tiempo, el análisis en tiempo real puede resultar difícil.
De hecho, el análisis en tiempo real puede no ser adecuado para el comercio de acciones a corto plazo, como el escalado o el
comercio de alta frecuencia. La minería de opiniones también utiliza indicadores muy subjetivos, lo que facilita la comprensión
del flujo general. Sin embargo, la confianza en la exactitud de la extracción de opiniones no es alta. Finalmente, en el caso de
los nombres propios, existe la desventaja de agregar un diccionario terminológico porque, debido a las limitaciones del
procesamiento del lenguaje natural, el nombre de una empresa podría no reconocerse correctamente. Además, el uso de
datos sociales requiere la validación previa de las fuentes de datos, como artículos falsos en Internet. Dado que este estudio
no cubrió el filtrado falso, más estudios requerirán un estudio en profundidad del proceso de refinamiento de datos.
En investigaciones futuras, será necesario definir no sólo un análisis empresarial para la inversión, sino
también un índice de evaluación empresarial para diversos fines de utilización. Además, es necesario realizar
más estudios para proporcionar un resultado de evaluación basado en indicadores. Además, el alcance del
análisis debería ampliarse a individuos, en lugar de limitarse a empresas, de modo que sea posible utilizar
inteligencia artificial para análisis de crédito específicos de clientes y análisis de crédito de nuevos clientes. Esto
establecerá parámetros para cada cliente, analizará el crédito para cada tipo de cliente y lo procesará en otro
sistema.
Contribuciones de autor:BY diseñó el estudio, describió la metodología, realizó análisis de datos y escribió el
manuscrito. TR analizó los datos, interpretó los resultados y escribió el manuscrito. HJ realizó análisis de datos y
escribió el manuscrito. DY diseñó el estudio, describió la metodología y ayudó a redactar el documento. Todos los
autores han leído y aprobado el manuscrito final.
Fondos:Este trabajo fue apoyado por una subvención de la Fundación Nacional de Investigación de Corea financiada por el
gobierno coreano (NRF-2017R1D1A1A09000758).
Conflictos de interés:Los autores declaran no tener conflictos de intereses.
Referencias
1. Ravisankar, P.; Ravi, V.; Rao, GR; Bose, I. Detección de fraude en estados financieros y selección de características mediante técnicas de minería
de datos.Decide. Sistema de soporte2011,50, 491–500. [Referencia cruzada]
2. Lin, CC; Chiu, AA; Huang, SY; Yen, DC Detección del fraude en los estados financieros: el análisis de las diferencias entre las
técnicas de minería de datos y los juicios de los expertos.Conocimiento. Sistema basado.2015,89, 459–470. [Referencia
cruzada]
3. Güler, A.; Aybars, A.; Kutlu, O. Gestión del desempeño corporativo: investigación de la relación entre la responsabilidad
social corporativa y el desempeño financiero en los mercados emergentes.En t. J. Producto. Llevar a cabo. Gestionar.
2010,59, 229–254.
4. Chen, Y.; Srinivasan, K.; Buena canción.; Katz, R. Implicaciones del diseño para sistemas de almacenamiento empresarial mediante
análisis de seguimiento multidimensional. En Actas del Vigésimo Tercer Simposio ACM sobre Principios de Sistemas Operativos,
Cascais, Portugal, 23 a 26 de octubre de 2011; ACM.
5. Alkubaisi, GAAJ; Kamaruddin, SS; Husni, H. Modelo de clasificación del mercado de valores mediante análisis de sentimiento en
Twitter basado en clasificadores híbridos Naive Bayes.Computadora. inf. Ciencia.2018,11, 52–64. [Referencia cruzada]
6. Weng, B.; Lu, L.; Wang, X.; Fadel, MM; Martinez, W. Predicción de precios de acciones a corto plazo utilizando métodos conjuntos y
fuentes de datos en línea.Sistema experto. Aplica.2018,112, 258–273. [Referencia cruzada]
7. Zhang, C.; Wang, H.; Du, C.; Wang, Y.; Chen, C.; Yin, H. Stockassistant: un asistente de IA de acciones para modelar la confiabilidad de
los comentarios de acciones. En actas de la 24.ª Conferencia internacional ACM SIGKDD sobre descubrimiento de conocimientos
y minería de datos, Londres, Reino Unido, 19 a 23 de agosto de 2018; ACM.
8. Mittal, A.; Goel, A. Predicción de acciones mediante análisis de sentimiento de Twitter; CS229. Universidad de
Stanford, 2011. Disponible en linea: http://cs229.stanford.edu/proj2011/GoelMittal-
Predicción del mercado de valores mediante TwitterSentimentAnalysis.pdf(consultado el 25 de agosto de 2017).
9. Johan, B.; Mao, H.; Pepe, A. Modelado del estado de ánimo y las emociones del público: sentimiento en Twitter y fenómenos
socioeconómicos. En Actas de la Quinta Conferencia Internacional AAAI sobre Weblogs y Redes Sociales, Barcelona,
España, 17 a 21 de julio de 2011.
10. Si, J.; Mukherjee, A.; Liu, B.; Li, Q. Explotación del sentimiento de Twitter basado en temas para la predicción de acciones. En Actas
de la 51ª Reunión Anual de la Asociación de Lingüística Computacional (Volumen 2: Artículos breves), Sofía, Bulgaria, 5 de agosto
de 2013.
11. Yazdani, M.; Chatterjee, P.; Kazimieras, E.; Sarfaraz, Z.; Zolfani, H. Marco integrado QFD-MCDM para la selección de proveedores
ecológicos.J. Limpio. Pinchar.2017,142, 3728–3740. [Referencia cruzada]
12. Giada, LS; Aiello, G.; Rastelliniet, C.; Micale, R. Sistema de apoyo a la toma de decisiones multicriterio para el trasplante de islotes
pancreáticos.Sistema experto. Aplica.2011,38, 3091–3097.
13. Malmir, B.; Amini, M.; Shing, IC Un sistema de apoyo a las decisiones médicas para el diagnóstico de enfermedades en condiciones de incertidumbre.
Sistema experto. Aplica.2017,88, 95-108. [Referencia cruzada]
14. Daniel, C.; Cubillos, C.; Vicari, RM; Coloma, UE Sistema de toma de decisiones en el mercado bursátil mediante emociones
artificiales.Sistema experto. Aplica.2015,42, 7070–7083.
15. Chiang, WC; Enke, D.; Wu, T.; Wang, R. Un sistema adaptable de apoyo a las decisiones comerciales sobre índices bursátiles. Sistema experto.
Aplica.2016,59, 195–207. [Referencia cruzada]
16. Paiva, FD; Cardoso, R.; Hanaoka, GP Wendel Moreira Duarte. Toma de decisiones para el comercio financiero: un enfoque
de fusión de aprendizaje automático y selección de cartera.Sistema experto. Aplica.2019,115, 635–655. [Referencia
cruzada]
17. Peñalver-Martínez, I.; García-Sánchez, F.; Valencia-Garcia, R.; rodriguez-garcisoy.A.Minería de opiniones basada en características a
través de ontologías.Sistema experto. Aplica.2014,41, 5995–6008. [Referencia cruzada]
18. Singh, VK; Piryani, R.; Uddin, A.; Waila, P. Análisis de sentimiento de reseñas de películas: una nueva heurística basada en
funciones para la clasificación de sentimiento a nivel de aspecto. En actas de la multiconferencia internacional IEEE de
2013 sobre automatización, informática, comunicación, control y detección de compresión (iMac4s), Kottayam, India, 22
y 23 de marzo de 2013.
19. Min, HJ; Jong, CP Identificación de reseñas útiles basadas en las menciones de los clientes sobre las experiencias. Sistema experto.
Aplica.2012,39, 11830–11838. [Referencia cruzada]
20. Lee, SH ¿Cómo afectan las reseñas en línea a la intención de compra?África. J. Autobús. Gestionar.2009,3, 576–581.
21. Thorleuchter, D.; van den Poel, D.; Prinzie, A. Análisis de los sitios web de los clientes existentes para mejorar el proceso de
adquisición de clientes, así como la predicción de la rentabilidad en el marketing B-to-B.Sistema experto. Aplica. 2012,39, 2597–
2605. [Referencia cruzada]
22. Mahtab, G.; McDonald, AD; Lee, JD Minería de textos para descifrar las quejas de los consumidores de respuesta libre: información
de la base de datos de quejas de propietarios de vehículos de la NHTSA.Tararear. Factores2014,56, 1189-1203.
23. Serhan, KA; Ozgulbas, N. Modelo de sistema de alerta temprana financiera y aplicación de minería de datos para la detección de
riesgos.Sistema experto. Aplica.2012,39, 6238–6253.
24. Martin, D. Alerta temprana de quiebra bancaria: un enfoque de regresión logit.J. Banco. Finanzas.1977,1, 249–276. [Referencia
cruzada]
25. Boitan, I. Desarrollo de un sistema de alerta temprana para evaluar la calidad de la cartera crediticia. Un estudio de caso Rumania.
Economía de Praga. Papilla.2012,21, 347–362. [Referencia cruzada]
26. Lestano, JJ; Kuper, GH ¡Los indicadores de crisis financieras funcionan! Un sistema de alerta temprana para seis países
asiáticos. EconomíaWPA.Crisis2001,1970, 12.
27. Pandilla, K.; Peng, Y.; Wang, G. Evaluación de algoritmos de agrupamiento para el análisis de riesgos financieros utilizando
métodos MCDM.inf. Ciencia.2014,275, 1–12.
28. Brockett, PL; Cooper, W.W.Informe al Auditor Estatal y a la Junta Estatal de Seguros sobre Sistemas de Alerta Temprana para
Monitorear el Desempeño de las Compañías de Seguros en Texas; Oficina del Auditor del Estado: Austin, TX, EE.UU., 1990.
29. Yoon, KT; Joo, K.; Sohn, OI; Hwang, C. Utilidad de las redes neuronales artificiales para el sistema de alerta temprana de
crisis económicas.Sistema experto. Aplica.2004,26, 583–590.
30. Yang, B.; Xia, L.; Ji, LH; Xu, J. Un sistema de alerta temprana para la evaluación del riesgo de préstamos utilizando redes neuronales artificiales.
Conocimiento. Sistema basado.2001,14, 303–306. [Referencia cruzada]
31. Ou, JA; Stephen, HP Análisis de estados financieros y predicción de la rentabilidad de las acciones.J. Cuenta. Economía. 1989,11,
295–329. [Referencia cruzada]
32. Sundararajan, V.; Enoc, C.; Josémi,COMO; Hilbers, P.; Krueger, R.; Moretti, M.; flojo, g.Indicadores de solidez
financiera: aspectos analíticos y prácticas de país; Fondo Monetario Internacional: Washington DC, EE.UU., 2002;
Volumen 212.
33. Marcos, I.; Liu, Y. Medición del estrés financiero en un país desarrollado: una aplicación a Canadá.J. Finanzas. Puñalada.
2006,2, 243–265.
34. Cecchini, M.; Haldún, A.; Gary, JK; Pathak, P. Hacer que las palabras funcionen: utilizar textos financieros como predictor de eventos
financieros.Decide. Sistema de soporte2010,50, 164-175. [Referencia cruzada]
35. Owen, L.; Polk, C.; Saáa-Requejo, J. Restricciones financieras y rentabilidad bursátil.Rev. Finanzas. Semental.2001, 14, 529–
554.
36. Ferson, NOSOTROS; Warther, VA Evaluación del desempeño de los fondos en un mercado dinámico.Finanzas. Anal. J.1996, 52, 20–
28. [Referencia cruzada]
37. Érica, F.; Pandé, R.; Papp, J.; Park, YJ La flexibilidad de los pagos puede reducir el estrés financiero: un ensayo de control
aleatorio con clientes de microfinanzas en la India.Más uno2012,7, e45679.
38. Gitman, LJ; Juchau, R.; Flanagan, J.Principios de las finanzas gerenciales; Pearson Higher Education AU: Sydney,
Australia, 2015.
39. Sornette, D.Por qué se desploman los mercados bursátiles: acontecimientos críticos en sistemas financieros complejos; Princeton University Press:
Princeton, Nueva Jersey, EE. UU., 2017; Volumen 49.
40. Ziniu, H.; Liu, W.; Bian, J.; Liu, X. Escuchar susurros caóticos: un marco de aprendizaje profundo para la predicción de tendencias
bursátiles orientada a noticias. En Actas de la Undécima Conferencia Internacional ACM sobre Búsqueda Web y Minería de
Datos, Marina Del Rey, CA, EE. UU., 5 al 9 de febrero de 2018; ACM.
41. Liu, J.; Liu, X.; Lin, H.; Xu, B.; Ren, Y.; Diao, Y.; Yang, L. Red de cápsulas basada en transformadores para la predicción del
movimiento de acciones. En actas del primer taller sobre tecnología financiera y procesamiento del lenguaje natural,
Macao, China, 12 de agosto de 2019.
42. Picasso, A.; Merello, S.; Puede.; Onetoa, L.; Cambria, E. Análisis técnico e incorporación de sentimientos para la predicción de
tendencias del mercado.Sistema experto. Aplica.2019,135, 60–70. [Referencia cruzada]
©2019 por los autores. Licenciatario MDPI, Basilea, Suiza. Este artículo es un artículo de
acceso abierto distribuido bajo los términos y condiciones de la licencia Creative Commons
Attribution (CC BY) (http://creativecommons.org/licenses/by/4.0/).

Articulo 6 Español (1) .En - Es

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Articulo 6 Español (1) .En - Es

Cargado por

Copyright:

Formatos disponibles

Traducido del inglés al español - www.onlinedoctranslator.

Desarrollo de un sistema de detección de señales de riesgo basado

Byungun Yoon*, Taeyeoun Roh, Hyejin Jang y Dooseob Yun

Sostenibilidad2019,11, 4258; doi:10.3390/su11164258 www.mdpi.com/journal/sustainability

2.1. Sistema de apoyo a la toma de decisiones financieras

2.2. Minería de Opinión

La minería de opiniones, también conocida como análisis de sentimientos, se refiere a la extracción de

2.3. Detección de Riesgos en Finanzas

3. Diseño del sistema

3.1. Concepto basico

Figura 1.Proceso de detección de riesgos.

3.2. Proceso del sistema

3.2.1. Evaluación de riesgo crediticio

Tabla 1.Indicadores financieros relacionados con cada evento crediticio.

Evento de crédito Patrón de síntoma de evento crediticio Divulgación Criterios

Emisión de bonos corporativos de colocación Número de bonos con emisiones de warrants

Financiación Número de reducciones de capital ejecutadas sin

Número de accionistas importantes reemplazados en los últimos 2

Sospecha de malversación de fondos e incumplimiento de Importe de malversaciones e incumplimientos de deberes en el

Adquisición de otras acciones corporativas o Número de otras acciones corporativas adquiridas en el

Número de preocupaciones e incertidumbres persistentes en las

Principal e intereses acumulados Monto de capital e intereses acumulados

Número de accionistas importantes reemplazados en los últimos 2

Número de ventas bloqueadas a las principales partes interesadas

Número de preocupaciones e incertidumbres persistentes en las

Evento de crédito Patrón de síntoma de evento crediticio Divulgación Criterios

Principal e intereses acumulados Monto de capital e intereses acumulados

Adquisición de otras acciones corporativas o

Número de planes de autorrescate presentados para

Rehabilitación Procedimientos de rehabilitación Número de procedimientos de rehabilitación aplicados

Principal e intereses acumulados Monto de capital e intereses acumulados

Tabla 2.Indicadores financieros explotados por el banco.

Relación con Evento Crediticio

Carga financiera 1 Responsabilidad total

Evento de crédito Razón Indicador relacionado

Calidad del activo 1

Tabla 4.Índice de seguimiento basado en datos de divulgación financiera.

3.2.2. Minería de Opinión

Tabla 5.Índice de seguimiento basado en minería de opiniones.

Indicador Unidad Definición y explicación

Se puede entender que se mantiene la misma valoración mientras se

El número de conversiones de opiniones positivas a negativas o de

3.2.3. Detección de señal

Tabla 6.Valor de corte del índice.

Estándar Puntuación de actividad empresarial Puntuación de minería de opinión

20% superior 0,1996 0,1967

Opinión grado minero(b)

Figura 2.Matriz de grados de riesgo total.

Figura 3.Proceso de decisión de señales de riesgo.

3.3. Arquitectura del sistema

ilustrar d en cha pag

3.3.1. Base de datos

4.1. Recopilación de datos

Tabla 7.El número de puntos de datos.

El número de puntos de datos recopilados

13/09/2016–12/09/2017 187 1733 1920

4.2. Evaluación de riesgo crediticio

Tabla 8.Evaluación del riesgo crediticio de la empresa.A.

Designación del indicador Valor

4.3. Minería de Opinión

4.4. Detección de señal

Tabla 9.Grado de riesgo total de la empresa.