Alumno: Henry Segundo Agapito Almeyda Tema de Tesis: Pronóstico de Demande de Efectivo en Cajeros Automáticos Alumno: Henry Segundo Agapito Almeyda

Introducción Mediante el uso de redes neuronales artificiales es posible realizar predicciones sobre el comportamiento de series de tiempo como por ejemplo financieras, en este caso, para pronosticar la tendencia de los datos con los que se cuenta de cada cajero. De acuerdo a la mayor parte de la literatura existente, se espera un mejor desempeño de las RNA en comparación con un modelo ARIMA utilizado como referencia, ya que las redes neuronales son capaces de identificar relaciones no lineales, las cuales, como se ha demostrado en estudios, existen en los mercados financieros.

A continuación se presenta las siguientes investigaciones y aplicaciones de redes neuronales: Cash Flow Forecasting using Supervised and Unsupervised Neural Networks for LarisaLokmic and Kate A. Smith Cash Forecasting: An application of Artificial Neural Networks in Finance, el error del modelo de red neuronal utilizado en este problema es de 0.19. Modelo de Optimización para el encaje en oficinas bancarias, el error del modelo de red neuronal utilizado en este problema es de 0.14

Descripción de la situación Problemática Poder conocer la cantidad de dinero que sus oficinas y cajeros automáticos necesitaran en el futuro con un grado de exactitud confiable de tal manera que les permita suministrar la cantidad adecuada del mismo y en el momento adecuado, y de esta manera se evitaría que los bancos tomen riesgos sobre exceso de dinero (dinero inmovilizado) que ocasionaría una perdida de oportunidad de invertir en otros negocios y además evitaría también escasez de dinero que ocasionaría insatisfacción en los clientes y por tanto un riesgo de perdida de los mismos.

Descripción del Problema Las entidades financieras están realizando inversión de capital y recursos para la investigación de series de tiempo de tal manera de lograr pronosticar la demanda de efectivo que necesitarán en el futuro para mantener un equilibrio de obtener el efectivo adecuado de tal manera que no le genera pérdidas de oportunidad de inversión para ellos e insatisfacción para los clientes.

Objetivo Superior Permitir que toda entidad financiera que desea disminuir el riesgo de tener efectivo inmovilizado pueda gestionarlo para beneficiar al cliente con una mayor satisfacción debido a que siempre que se acerque a los cajeros automáticos encuentre el efectivo que necesita y además las entidades bancarias pueden beneficiarse asi misma debido a que con una predicción muy cercana de efectivo que se necesitan en sus cajeros, las entidades pueden invertir una mayor cantidad de dinero en otros negocios.

Objetivo Principal Desarrollar un modelo basado en redes neuronales que sea capaz de pronosticar la cantidad de efectivo que necesitan los cajeros y oficinas bancarias en el futuro.

Objetivos Específicos Determinar si el modelo basado en redes neuronales genera un error medio absoluto porcentual mínimo. Demostrar la capacidad de las redes neuronales para realizar pronósticos de tipo financiero. Demostrar que el modelo propuesto basado en redes neuronales ajusta mejor los datos que el modelo ARIMA usado como referencia.

Justificación La intención de esta tesis es mostrar la capacidad de las RNA de realizar pronósticos en series de tiempo, en particular sobre la serie que proporciona la Forecasting Competition for Artificial Neural Networks and Computational Intelligence, como una herramienta alterna a las técnicas estadísticas tradicionales como la metodología ARIMA, además de explicar de manera clara y sencilla el funcionamiento de una RNA.

Descripción de Datos La data fue obtenida del Forecasting Competition for Artificial Neural Networks and Computacional Intelligence. La data muestra las trasacciones diarias de los clientes en los cajeros automáticos y entidades bancarias por un periodo de dos años, desde el 1ero de enero del 2006 hasta el 5 de enero del 2008, estos cajeros se encuentran en diferentes lugares de Inglaterra y son numerados desde NN5-001 hasta NN5-111.

Los datos son transacciones diarias de clientes, que se traducen en la cantidad de efectivo que un cliente retira de un cajero automático, la cantidad de efectivo que retiran están organizados en una matriz cuyas columnas representan el cajero automático en el cual se ha realizado la transacción que puede tomar los valores de NN5-001 hasta NN5-111, y cuyas filas represental el día del la semana, del mes, del año en que se realizó la operación.

Modelo Solución

Conclusiones Se analizo dos modelos: ARN y ARIMA, de los cuales aún no se puede decir cuál es el que predice mejor la demanda de efectivo para esta tesis. El proceso de encontrar un modelo basado en redes neuronales es más complejo y delicado que el desarrollo de un modelo ARIMA ya que implica la estimación de muchos más parámetros y a que la estabilización de la red requiere de mayores recursos de cómputo y tiempo, pues la forma de estimación de sus parámetros es inherentemente a prueba y error.

Conclusiones El modelo propuesto es importante porque se puede utilizar también como parte integral de la operación financiera de las empresas, ya que sus aplicaciones son amplias, desde la planeación y administración de la tesorería, los pronósticos de ventas hasta la identificación de problemas financieros, y por supuesto, la valuación de instrumentos derivados en la cobertura de riesgos.