SQyF Mayo 2012 - 2013 Gestión de relaciones institucionales

Banco del conocimiento

SQyF Enero 2012 - 2013 Gestión de TIC'S

Banco del conocimiento

SQyF Abril 2012 - 2013 Gestión TIC S

Banco del conocimiento

SQyF Marzo 2012 - 2013 Gestión TIC´S

Banco del conocimiento

SQyF Mayo 2012 - 2013 Gestión TIC´S

Banco del conocimiento

Informe SQyF Vicepresidencia administrativa y financiera

Banco del conocimiento

Informe SQyF Vicepresidencia administrativa y financiera

Banco del conocimiento

Informe SQyF Vicepresidencia administrativa y financiera

Banco del conocimiento

Informe SQyF vicepresidencia administrativa y financiera

Banco del conocimiento

SQyF Agosto 2012 - 2013 Vicepresidencia administrativa y financiera

Banco del conocimiento

SQyF Julio 2012 - 2013 Vicepresidencia administrativa y financiera

Banco del conocimiento

SQyF Septiembre 2012 - 2013 Vicepresidencia administrativa y financiera

Banco del conocimiento

SQyF Junio 2012 - 2013 Vicepresidencia administrativa financiera

Banco del conocimiento

Gestión del riesgo de liquidez en una institución financiera: alternativas de evaluación y administración de la concentración de depósitos, como medida de riesgo de liquidez

La evolución de los mercados financieros en la última década ha acrecentado la complejidad del riesgo de liquidez y de su gestión, por lo que el Comité de Basilea ha actualizado las directrices que se deben tomar en cuenta para la administración de la liquidez; entre los criterios que se deberían tomar en cuenta es el cálculo de indicadores que faciliten el monitoreo y mitigación del riesgo, así como también el establecimiento del nivel mínimo de liquidez que la institución requiere para cubrir sus obligaciones, y finalmente en función de acontecimientos históricos y posibles escenarios que pueden afectar a la liquidez se deberá elaborar un plan de financiación contingente (CFP) que permita a la institución operar sin pérdidas, o evitar a la más mínima, en casos extremos. El siguiente trabajo se enfoca en la determinación de metodologías que permitan determinar si la institución financiera presenta problemas de concentración y un método que permita determinar la liquidez requerida en el tiempo dada una probabilidad.

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.