Gestión del riesgo de liquidez en una institución financiera utilizando un modelo híbrido entre la metodología ARIMA y Redes Neuronales Artificiales

En las instituciones financieras, una deficiente gestión del riesgo de liquidez puede ocasionar pérdidas financieras, ya sea por: intereses excesivos de créditos con otras instituciones, venta de activos con precios inferiores al valor del mercado, pérdida de oportunidades de negocios, pérdida de confianza con el depositante e incluso hasta la quiebra de la entidad. Es por esta razón, que el monitoreo de la liquidez se vuelve indispensable para el correcto funcionamiento de un banco, y se motiva al desarrollo de nuevas metodologías para su cuantificación. Si bien la gestión del riesgo de liquidez depende de cada institución bancaria y de su estructura en activos y pasivos, esta investigación se concentra en el análisis de la disminución del pasivo (depósitos) y/o el incremento del activo (cartera) y su afectación a los niveles de liquidez. Con este antecedente, para determinar la posición futura de liquidez de la institución investigada, se analiza las necesidades de fondos (obtenidas con la proyección de los depósitos) y la fuente de recursos (proyección de la cartera de créditos), permitiendo determinar superávits o déficits futuros de liquidez. En realidad el planteamiento es un monitoreo de la liquidez con un vista hacia el futuro, facilitando la toma de decisiones para mantener y controlar el nivel de liquidez requerido por la institución. Para cumplir con el objetivo de predicción, se pone a prueba una metodología alternativa para la proyección de series temporales, la cual combina los resultados de los modelos ARIMA y Redes Neuronales Artificiales. Con el modelo ARIMA se estima la relación lineal entre los rezagos propios de la serie, mientras que con las Redes Neuronales Artificiales se estima el componente no lineal que la estimación ARIMA no pudo captar. Los resultados son comparados con los obtenidos por las dos metodologías por separado. Se concluye que el modelo híbrido propuesto tiene mayor exactitud al estimar ambas series temporales.