Desarrollo de un modelo de caracterización financiera del sector comercio en Ecuador, período 2002-2012

Caracterizar financieramente al sector comercial ecuatoriano involucra el investigar las principales variables macroeconómicas y financieras inmersas dentro del sector, para lo cual, se partió de la hipótesis de que el sector comercial ecuatoriano tiene un determinado desempeño financiero que se puede caracterizar a través de la construcción de un modelo estadístico. Se inició con la búsqueda de información sobre el desarrollo de modelos estadísticos similares, en tres países (Alemania, México y Chile), sin embargo, en la web superficial no se obtuvo un modelo a seguir pues únicamente se han estructurado modelos utilizando variables macroeconómicas. Por ello, se diseñó un modelo estadístico basado en el método de mínimos cuadrados ordinarios. La base de datos empleada corresponde al formulario 101 “impuesto a la renta de sociedades y establecimientos permanentes” del Servicio de Rentas Internas (SRI). El modelo estadístico trabaja con un nivel de confianza del 95%, existen once observaciones (período 2002-2012), siete variables independientes (exportaciones netas, inventario de materia prima y productos terminados, total costos y gastos, total ingresos, total pasivo, total patrimonio neto y ventas netas locales totales excluye activos fijos) que explican el comportamiento de la variable dependiente (utilidad del ejercicio). Se realizaron las pruebas de hipótesis correspondientes, presentando consistencia en los resultados encontrados. También se realizó la predicción del comportamiento de la variable dependiente por un período, la misma que difirió en 7,1% del valor real, lo que se explica por el limitado número de observaciones. Se construyeron dos escenarios (pesimista y optimista), asignándoles una probabilidad de ocurrencia, con lo que se calculó el valor esperado (US $ 3.727 millones) y la desviación estándar (US $ 4.842 millones). La investigación se compone de cinco capítulos. El primero, realiza una introducción y aborda la metodología. El segundo, refiere al marco teórico. El tercer capítulo, caracteriza estadística y financieramente al sector comercial ecuatoriano. En el cuarto capítulo se evalúan los efectos de la construcción del modelo utilizando el análisis de escenarios y de elasticidad. Mientras que el quinto capítulo recoge las conclusiones, observaciones y recomendaciones de la investigación.

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.