"Contribuciones a la Economía" es una revista académica con el
Número Internacional Normalizado de Publicaciones Seriadas
ISSN 16968360

Introducción a las técnicas de inteligencia artificial aplicadas a la gestión financiera empresarial

María del Carmen Sosa Sierra (CV)
Universidad del Norte, Colombia
msosa@uninorte.edu.co
msosasierra@yahoo.com

RESUMEN: El presente trabajo se enfoca en la revisión de las principales técnicas que aborda la Inteligencia artificial, con sus diferentes paradigmas, siendo relevantes los sistemas expertos, las redes neuronales, los algoritmos genéticos y la lógica borrosa con sus diferentes aplicaciones, al campo de la gestión financiera empresarial.

Se considera que los directivos de las compañías al efectuar la planificación, ejecución y control en la gestión financiera empresarial podrían apoyarse en las nuevas tecnologías o técnicas que ofrece la Inteligencia Artificial para la toma de decisiones adecuadas y eficientes. Lo anterior con el fin de poder enfrentar los desafíos que impone el nuevo entorno económico global y la creciente innovación tecnológica que afrontan las empresas en el siglo XXI.
Palabras Clave: Inteligencia Artificial, Redes Neuronales, Algoritmos Genéticos, Sistemas de Lógica.
Clasificación JEL: C45, C63.

Introduction to the Techniques of Artifitial Intelligence Applied to the Business Financial Management


ABSTRACT: This paper focuses on a review of the main techniques of the Artificial intelligence with its different paradigms, from which the most important are the expert systems, the neuronal networks, the genetic algorithms and the fuzzy logic with its different applications prior to the fields of the business financial management.
It is considered that the directors of the companies when carrying out the planning, execution and control in the business financial management could lean on the new technologies or techniques that the Artificial intelligence are offering for the suitable and efficient decision making. The previous aspect is done in order to be able to face the challenges that the new global economic surroundings impose and the increasing technological innovation that are confronted by the companies in the XXI century.
Keywords: Artificial intelligence, Neuronal Networks, Genetic Algorithms, Fuzzy Logic.
JELClassification: C45, C63.

---

Para citar este artículo puede utilizar el siguiente formato:

Sosa Sierra, M.C.:  “Introducción a las técnicas de inteligencia artificial aplicadas a la gestión financiera empresarial" en Contribuciones a la Economía, septiembre 2006. Texto completo en http://www.eumed.net/ce/

INTRODUCCIÓN

En las últimas décadas hemos asistido a un cambio profundo en el ámbito empresarial debido fundamentalmente al avance de la tecnología. La presencia de nuevos paradigmas en el tratamiento de la información que generan las empresas denominado "Gestión del Conocimiento" al igual que el procesamiento masivo de esta información, una marcada tendencia hacia la globalización de los mercados, al riesgo y la incertidumbre en la toma de decisiones empresariales etc., han contribuido a dicho avance. Todo esto enmarcado por un mundo cada vez más complejo donde el viejo mundo de las certezas ya no existe y donde el ser competitivo y sostenible en el tiempo se constituye en un reto imperativo para la supervivencia de las empresas. En este contexto, el avance de la tecnología y de los nuevos paradigmas no debe limitarse a simular las funciones para el procesamiento manual de la información, sino que estas herramientas deben ser un soporte fundamental para el logro de los objetivos de la gestión empresarial traducido en decisiones adecuadas, eficaces y oportunas.

Los cambios mencionados anteriormente se pueden extender al campo de las decisiones empresariales, especialmente al campo de las finanzas, las cuales no se han escapado a estos cambios y nuevos paradigmas. Así se pueden observar profundas transformaciones que van desde las “finanzas tradicionales” en las que los estudios se han enmarcado sobre una base fundamentalmente descriptiva, contable e institucional, a las “finanzas modernas” que buscan explicar los fenómenos financieros e indicar el camino para la toma de decisiones financieras. Estas explicaciones se basan en la construcción de modelos cuantitativos que utilizan el lenguaje científico, un razonamiento adecuado y verificaciones empíricas. Las investigaciones más recientes en el campo de las finanzas están incidiendo más en el estudio de los aspectos cualitativos, en lo que se ha dado en llamar como “el paradigma de la sicología financiera”. Este paradigma intenta explicar el comportamiento de los inversionistas, tema que encuentra grandes limitaciones cuando se aborda enteramente con los modelos racionales planteados por las finanzas tradicionales y modernas.

Con el propósito de abordar estos nuevos paradigmas se han desarrollado recientemente las técnicas de la Inteligencia Artificial, las cuales han dejado en claro la necesidad de contar con soportes de ayuda poderosos para tomar decisiones en la actividad empresarial. Estos soportes deben ser capaces de considerar la información cualitativa y a partir de ella diseñar e implementar modelos estadísticos y computacionales que asistan a los decisores en la resolución de los diversos problemas empresariales.

En la actualidad, la Inteligencia artificial se está aplicando a numerosas actividades realizadas por los seres humanos y se destacan entre otras las siguientes líneas de investigación científicas: La robótica, la visión artificial, técnicas de aprendizaje y la gestión del conocimiento. Estas dos últimas aplicaciones de la inteligencia artificial son las que más directamente se aplican al campo de las finanzas, debido a que en este campo existe una fuerte motivación orientada a la construcción de sistemas de información que incorporen conocimiento, y que permitan a los decisores de las organizaciones tomar decisiones eficientes y oportunas en el ámbito de la gestión financiera empresarial.

A continuación se describe las técnicas más destacadas de la Inteligencia artificial aplicadas al campo de la gestión financiera empresarial: Los sistemas expertos, las redes neuronales, los algoritmos genéticos y la lógica difusa. Estas técnicas pueden combinarse para obtener una solución más adecuada del problema en estudio.


1. SISTEMAS EXPERTOS

Los sistemas expertos se constituyen en la herramienta de la Inteligencia artificial más utilizada desde sus inicios y corresponden a programas de ordenador que recopilan en un programa informático el conocimiento de especialistas en una materia. Sus dos componentes principales son la base de conocimiento (contiene el conocimiento y las experiencias de los expertos en un determinado dominio representado por medio de símbolos) y el programa de inferencia (es el mecanismo que obtienen las conclusiones de la base de conocimiento mediante procesos de búsqueda). Estas dos partes esenciales en el diseño de un sistema experto se interrelacionan entre si para obtener las conclusiones necesarias en la resolución del problema en estudio logrando que el sistema experto diseñado pueda emular el comportamiento del experto en ese dominio específico.

Los sistemas expertos o inteligentes engloban una serie de características fundamentales para cumplir con el objetivo de ofrecer asesoramiento inteligente o tomar una decisión inteligente sobre una función de un proceso (Sánchez Tomás, 1991):

• Los sistemas expertos pueden resolver problemas muy difíciles tan bien o mejor que los expertos humanos.
• Pueden razonar heurísticamente, usando lo que los expertos consideran que son reglas empíricas efectivas, e interactúan con los humanos de forma adecuada, incluyendo el lenguaje natural.
• Manipulan y razonan sobre descripciones simbólicas.
• Pueden funcionar con datos que contienen errores, usando reglas inciertas de enjuiciamiento.
• Pueden contemplar múltiples hipótesis en competición simultáneamente.
• Pueden explicar por qué están formulando una pregunta.
• Pueden explicar su proceso de razonamiento y justificar sus conclusiones.

El ámbito de aplicación en la gestión empresarial de esta técnica de la Inteligencia artificial se centra generalmente en la creación de sistemas inteligentes. Estos sistemas están diseñados para servir de soporte a los complejos análisis que se requieren en el descubrimiento de las tendencias del negocio, con el fin de tomar decisiones eficientes y oportunas. Esto le permite a quienes toman decisiones afrontar los retos del nuevo mundo empresarial en el cual el conocimiento aparece como el factor esencial para el desarrollo de las organizaciones. Algunas de las áreas de aplicación de los sistemas expertos en la gestión empresarial son las siguientes:

• Planeación corporativa financiera
• Análisis de inversiones
• Concesión de créditos
• Análisis de estados financieros
• Interpretación de índices
• Análisis de tendencias
• Recuperación y revisión analítica de registros
• Cálculo y asignación de costos
• Asignación de recursos escasos
• Control y análisis de desviaciones
• Diseño de sistemas de información y de gestión
• Análisis de riesgos
• Evaluación del control interno de una empresa
• Opinión de un auditor, etc.

El siguiente cuadro resume brevemente algunas de las aplicaciones diseñadas para la resolución de problemas en el área de la gestión financiera empresaria.

 

 

Cuadro1: Sistemas expertos en el dominio de la gestión financiera empresarial.

Nombre del Sistema	Referencias	Área de la Gestión Financiera Empresarial	Funcionalidad
AUDITPLANNER	Steinbart et al. 1987	Auditaría	Ayuda  a los auditores a determinar los juicios de materialidad de las cifras en la etapa de planificación de la auditoria.
RISK ADVISOR	Graham et al. 1991	Riesgo de auditaría	Valorar los riesgos en auditoria y evalúa el rendimiento económico de un cliente.
RICE (Risk Identification and Control Evaluation)	Van Dijk y Williams. 1990	Riesgo de auditoria.	Determina los indicadores de riesgo asociados con una cuenta determinada a utilizar en la planificación de un compromiso de auditoria.
EXPERTEST	Van Dijk y Williams. 1990; Murphy y Brown 1992.	Planificación de la auditorìa	Produce programas de auditorìa que abarcan todos los aspectos de la auditoria, o bien aspectos parciales de la misma sobre 19 programas de auditoria estándares que están contenidos en la base de conocimiento del sistemas.
COMPAS (Computarized Planning Advisory System)	Murphy y Brown. 1992	Planificación de la auditorìa	Le permite a los auditores seleccionar los procedimientos de l a auditorìa.
EXPERTAX	Shpilberg, et al. 1986; Shpilberg y Graham. 1986 ; Connell. 1987 ; Messier y Hansen. 1987.	Obtención de la evidencia y formación de la opinión	Asesora a los auditores y a los contadores encargados de la parte impositiva en una empresa en los problemas de la planificación fiscal.
GC-X	Biggs y Selfridge. 1986; Selfridge y Biggs. 1988; Messier y Hansen. 1987; Van Dijk y Williams. 1990.	Obtención de la evidencia y formación de la opinión: Opinión de empresa en funcionamiento.	Le ayuda  a los auditores en la formación del juicio sobre la empresa en funcionamiento.
AUDIT EXPERT	Sierra y Bonsón. 1992.	Informe de auditorìa.	Ayuda al auditor en las fases de elección de la opinión y emisión del informe de auditorìa.
AUDIT MASTERPLAN	Brown y Phillips. 1991	Auditorìa Interna	Ayuda a los auditores internos en las decisiones de planificación de la auditorìa.
EDP-XPERT	Hansen y Messier. 1986ª, 1986b; Messier y Hansen. 1987; Van Dijk y Williams. 1990	Auditorìa Informática	Ayuda a los auditores en el área de informática a evaluar los controles de auditoria en los sistemas informaticos avanzados.
BUCKS (Business Control Knowledge System)	Brown y Phillips. 1990	Contabilidad de Costo y de Gestión	Ayuda a los directores a analizar el rendimiento de los proyectos de la división y las actividades de asesorìa de las regiones.
INVENTORY EXPERT SYSTEM	Ghiaseddin et al.1990	Contabilidad de Costo y de Gestión	Ayuda al personal encargado de la administración y control de los inventarios de una empresa sobre la demanda de artículos y el aprovisionamiento de los proveedores, con el fin de seleccionar la mejor política de gestión en los inventarios, teniendo en cuenta las metas y proyecciones de la empresa.
XPR	Michael.1988	Contabilidad de Costo y de Gestión	Sirve para el diagnóstico económico y financiero de los sistemas de control de gestión.
XVENTURE	Sullivan y Revee. 1988	Contabilidad de Costo y de Gestión	Permite el análisis y posterior decisión en las inversiones en nuevas tecnología.
AGGREGATE	O`Learny.1987ª	Contabilidad  Financiera	Ayuda a los contadores de las empresas en el diseño de sistemas de información contable y de los estados financieros.
FSA(Financial Statement Analyzer)	Mui y McCarthy. 1987; O`Learny. 1987b; Murria y Murria. 1988; Van Dijk y Williams. 1990; Keyes. 1991.	Contabilidad  Financiera	Realiza la revisión analítica de los registros de los estados financieros de una compañía.
CONSOLIDEX	Bonsón y Orta. 1991	Contabilidad  Financiera	Facilita la interpretación de las normas sobre las cuentas consolidadas de los grupos de sociedades, según las normas españolas.
ANALYSIS	D`hoeraene. 1990	Análisis contable y financiero	Clasifica funcionalmente el balance y las cuentas de resultado, calcula los flujos económicos-financieros, la rentabilidad, el potencial de crecimiento, la gestión del activo económico, la solvencia de la estructura financiera, etc.
ANIBAL	ERITEL. 1991; Núñez.1991; Fortuna et a. 1991	Análisis contable y financiero	Le facilita a los analistas financieros la evaluación de la gestión comercial y financiera de la empresa.
FSA (Financial Statement Analyzer)	Mui y McCarthy. 1987	Análisis contable y financiero	Realiza la revisión analítica de los estados financieros de una empresa en la fase de toma de decisiones.
VENTUREEXPERT	D`Hoeraene. 1990	Análisis contable y financiero	Realiza un diagnóstico financiero de la empresa, análisis de rentabilidad, análisis de estrategias financieras y de riesgo.
CASHVALUE	Ash. 1985; Connell. 1987	Planificación y análisis financiero	Facilita la evaluación de los proyectos de inversión, ampliación de planta, programas de reducción de costos, valoración de compañías entre otros usos.
MANAGEMENT ADVISOR	Bailey. 1985; Michaelsen	Planificación y análisis financiero	Brinda asesorìa a los directores d empresas y contadores sobre la planificación del análisis de inversiones y la asignación de capital, fusiones, adquisiciones, control de costos, método del flujo de caja descontado.
APEX	System, Inc.	Planificación y análisis financiero	Brinda asesorìa en la toma de decisiones sobre inversiones, gestión de patrimonios, gestión de riesgo, gestión de tesorería y de créditos.

Fuente: Elaboración propia a partir de la información tomada de Sánchez Tomás (1996).

A la descripción anterior sobre las diversas aplicaciones o sistemas expertos creados para la resolución de algunos problemas generados en el área empresarial, se han sumado recientemente otras técnicas dentro de la categoría de sistemas expertos denominada “Sistemas Basados en Casos” (Case Based Reasoning Systems). Estos sistemas constituyen un nuevo paradigma para resolver problemas a través de analogías con situaciones pasadas. Así, con base en este sistema se busca el caso almacenado en la base de conocimiento que más se parezca al problema que se intenta resolver, y luego se adapta la decisión que se tomó para ese caso a la situación actual que se está analizando. A pesar de su potencial, está técnica aún no se ha implementado lo suficiente para resolver problemas en el ámbito financiero, por esta razón es mucho más abundante la bibliografía relacionada con los sistemas expertos tradicionales.


2. REDES NEURONALES

Las primeras investigaciones sobre redes neuronales datan de principios del siglo XIX pero fue hasta la década de los 40 y 50, en el siglo XX, cuando el estudio de las redes neuronales cobró mayor fuerza, gracias al movimiento Conexionista. Este movimiento sostenía la premisa de que el secreto para el aprendizaje y el conocimiento se halla en axiomas o verdades incuestionables y que el conocimiento es independiente de la estructura que maneje los símbolos, y la representación del conocimiento se hace desde el estrato más básico de la inteligencia: el cerebro especialmente en las neuronas y las múltiples interconexiones entre ellas.

Este notable interés por las redes neuronales se vio disminuido en los años 70 debido al surgimiento de autores tales como Minsky y Papert (1969) los cuales manifestaron las limitaciones en el proceso de aprendizaje de las arquitecturas de las redes neuronales utilizadas hasta ese entonces. En su libro “Perceptrons”, que además de contener un análisis matemático detallado del Perceptrón, consideraba que la extensión a Perceptrones multinivel (el Perceptrón original solo poseía una capa) era completamente estéril. Las limitaciones del Perceptrón eran importantes, en especial su incapacidad para resolver muchos problemas interesantes. Esta fue una de las razones por la cual la investigación en redes neuronales quedó rezagada por más de 10 años.

No obstante, en los años 80 los nuevos avances en el campo tecnológico y en el conocimiento de la estructura del cerebro provocaron un resurgimiento del interés por las redes neuronales permitiendo hasta el día de hoy la creación de un número creciente de aplicaciones en distintos campos y con diversos propósitos.

Las redes neuronales artificiales se constituyen en una técnica de procesamiento masivo y paralelo de la información que emula las características esenciales de la estructura neuronal del cerebro biológico. Las principales diferencias y similitudes entre las redes neuronales biológicas y artificiales se pueden observar en el cuadro 2.

 

Cuadro 2: Comparación de las redes neuronales biológicas y las redes neuronales artificiales.

Características: Diferencias y similitudes	Redes Neuronales Biológicas	Redes Neuronales Artificiales
La Estructura de constitución y funcionamiento	Están formadas por: ·         Cuerpo o soma, las dendritas y el axòn o cilindro eje. ·         Esta estructura se asemeja a un proceso con sus respectivas entradas y salidas. Las dendritas reciben las señales de las neuronas adyacentes y las trasmiten al cuerpo en forma de un potencial eléctrico. Estas señales eléctricas son integradas por el cuerpo celular (soma). Si el potencial eléctrico es superior a un valor  umbral, el soma genera un corto impulso eléctrico. Este impulso se trasmite por el axòn, que es una fibra nerviosa con una longitud que varía entre unos milímetros y varios metros. El axòn se ramifica y dirige el impulso a varias neuronas vía sinapsis (es la unión del axòn con otras neuronas)  (Dìaz Adenson et al, 1996).	·         Una red neuronal consiste básicamente de una serie de unidades de proceso, también llamadas neuronas artificiales, relacionadas mediante unas conexiones ponderadas. Cada unidad recibe señales a través de una serie de vías de entrada y responde a ese estímulo enviando una señal, que puede ser binaria (0,1) o real dentro de un intervalo continúo, a todas aquellas con las que a su vez tenga una conexión de salida.   ·         La neurona artificial puede ser formulada matemáticamente como la composición de dos funciones: La función de estado que es una función lineal de las variables de entrada de la neurona, ponderadas mediante unos coeficientes o pesos sinápticos los cuales se determinan durante el proceso de aprendizaje y cuyo resultado es el nivel de estímulo alcanzado por la neurona. Luego tenemos la función de transferencia que tienen como variable independiente el potencial y proporciona como salida la respuesta que experimenta la neurona frente al estímulo proporcionado por la variable de entrada (De Andrés , 2000).
Sinápsis	Estos puntos de interconexión tienen miles de componentes y de procesos activos de propagación de los impulsos electro-químicos.	Conexiones relativamente simples en las que se realiza una suma ponderada de las entradas y se la aplica la función de umbral escogida previamente.
Comportamiento	Funcionamiento asíncrono el cual permite la reconfiguraciòn de la red en cualquier tiempo y patrones temporales de forma continua.	Los parámetros se actualizan de forma periódica, en intervalos de tiempo discreto, y por lo general todos a la vez, se presentan patrones en intervalos de tiempos prefijados.
Aprendizaje	·         Aprenden a partir de unas pocas presentaciones de patrones (pequeño período de entrenamiento).   ·         Aprenden simultáneamente un gran número de tareas de tipos muy diversos.	·         Convergen muy lentamente y pueden necesitar cientos o miles de presentaciones de patrones para realizar una generalización. ·         El aprendizaje no se centra en una única tarea en concreto, no existe una red universal para cualquier tipo de problema.
Interconexiones de unidades de proceso	Estructura compleja por niveles: còrtex, circonvoluciones, cerebelo, hipocampo las cuales se representan como una malla de conexiones densa.	Arquitecturas simples
Valores transferidos de unidad a unidad	Los impulsos no se presentan a una medida precisa de los valores implicados en las reacciones electro-químicas.	Se pueden calcular en forma relativamente precisa.
Representación y procesamiento  de la información	En forma distribuida	En forma distribuida
Redundancia intrínseca de la información	Tolerancia a fallos	Tolerancia a fallos

Fuente: Elaboración propia a partir de la información tomada de Isasi y Galván  (2004). 

A pesar de las limitaciones de las redes neuronales artificiales en cuanto a representar todas las características del cerebro humano tales como: La habilidad para desarrollar el  aprendizaje adaptativo, la auto-organización, la tolerancia a fallos, las operaciones en tiempo real y otras cualidades; estas redes se constituyen en una herramienta tecnológica potente para el procesamiento de la información cuyos resultados permiten tomar  decisiones eficientes y oportunas.

 

 

2.1   Arquitecturas de las Redes Neuronales

 

Una Red neuronal artificial está formada por un conjunto de neuronas interconectadas y arregladas en forma de capas, las cuales están compuestas a su vez por un número de neuronas cada una. Existen capas de entrada (por donde se ingresan los datos), capas de salida (por donde se obtienen los resultados) y las capas ocultas (por donde pasan los datos). Teniendo en cuenta lo anterior, podemos decir que la arquitectura de las redes neuronales artificiales se basa en la organización y disposición de las neuronas formando capas más o menos alejadas de la entrada y salida de la red. En este sentido, los parámetros fundamentales de la red son: el número de capas, el número de neuronas por capa, el grado de conectividad y el tipo de conexiones entre neuronas.

 

Hay varias arquitecturas de redes y las más comunes son las siguientes:

 

·        Redes Neuronales por capas: Esta estructura de red esta compuesta por capas de neuronas y cada capa recibe señales de las capas previas, por lo cual este tipo de redes se denominan redes feed-forward o perceptrón siendo el perceptrón multicapa el más común. Este tipo de red se caracteriza porque las neuronas se agrupan en diferentes niveles ( capa de entrada, capas ocultas y capas de salida). Las neuronas se encargan de recibir señales del exterior y trasmitirlas a las siguientes capas, la última capa actúa como salida de la red proporcionando la respuesta de la red para cada uno de los patrones de entrada. Usualmente este tipo de red es usado en problemas de reconocimiento o clasificación de patrones.

 

·        Redes Neuronales Recurrentes: En este tipo de red cada neurona se conecta a todas las neuronas de la red, incluso consigo misma, lo que significa que se tienen bucles en la arquitectura de la red. Esta clase de red se caracteriza por su dinámica debido a que la red evoluciona de un estado a otro. La red es estable cuando su estado permanece igual tras varias iteraciones, las llamadas redes de Hopfield[1] ilustran esta clasificación, las cuales se utilizan por lo general en tareas relacionadas con la auto asociación.

 

·        Redes Neuronales Conectadas lateralmente: En este tipo de red, las neuronas se disponen en los nodos de un retículo de aproximadamente 1 o 2 dimensiones. La red de esta clase más común es la Kohenen[2].

 

·        Otro criterio suele considerar dos tipos de reglas de aprendizaje: las de aprendizaje supervisado y las correspondientes a un aprendizaje no supervisado, estas reglas originan una de las clasificaciones que se realizan de las Redes neuronales con aprendizaje supervisado y redes neuronales con aprendizaje no supervisado. La diferencia fundamental entre ambos tipos estriba en la existencia o no de un agente externo (supervisor) que controle el aprendizaje de la red.

 

·        Redes con Aprendizaje Supervisado. El proceso de aprendizaje se realiza mediante un entrenamiento controlado por un agente externo (supervisor, maestro) que determina la respuesta que debería generar la red a partir de una entrada determinada. El supervisor comprueba la salida de la red y en el caso de que ésta no coincida con la deseada, se procederá a modificar los pesos de las conexiones, con el fin de conseguir que la salida se aproxime a la deseada.

 

·        Redes con Aprendizaje No Supervisado. Estas redes no requieren influencia externa para ajustar los pesos de las conexiones entre neuronas. La red no recibe ninguna información por parte del entorno que le indique si la salida generada es o no correcta, así que existen varias posibilidades en cuanto a la interpretación de la salida de estas redes.

2.2   Áreas de Aplicación de las Redes neuronales en la gestión financiera empresarial

 

En el campo de la gestión financiera empresarial, las redes neuronales intentan resolver en forma eficiente problemas que pueden encuadrarse dentro de tres amplios grupos  que son: optimización, reconocimiento y generalización (Serrano y Gallizo, 1996).

 

En los problemas de optimización se busca una solución óptima ante un problema determinado previamente. Dentro de estos problemas de optimización se pueden mencionar  la búsqueda de niveles de tesorería óptimos en las empresas, al igual que los niveles óptimos de inventarios, producción, carteras, entre otros. En síntesis las redes neuronales empleadas para resolver este tipo de problemas tratan de optimizar una función objetivo.

 

En los problemas de reconocimiento por lo general se entrena una red neuronal con inputs  (entradas)  como sonidos, números, letras y se procede a la fase de prueba presentando esos mismos patrones con ruido (imprecisiones). Dentro de este tipo de resolución de problemas de reconocimiento en el campo de la gestión empresarial se encuentran el reconocimiento óptico de caracteres, escritos en los documento de las empresas, el cual se ha aplicado en diversas entidades bancarias y financieras.

 

En los problemas de generalización se busca resolver principalmente problemas de clasificación y de predicción.

 

Los problemas de clasificación tratan de asignar a cada caso específico su clase correspondiente partiendo de un conjunto de ejemplos, es decir, que para este tipo de problemas se utilizan aquellas redes neuronales que ante un conjunto de patrones de entrada responderán con una clasificación de la situación que presente esos  patrones en función de un conjunto finito de categorías (Suárez, J. 2000) . En esta categoría se ubican los estudios de predicción sobre el fracaso empresarial partiendo de un conjunto de variables denominadas ratios financieros y utilizando modelos matemáticos que detecten los rasgos que caracterizan a las empresas que tienen éxitos de aquellas empresas que fracasan.

 

Dentro de los problemas de predicción generalmente abordados están la predicción de variables económicas tales como las tasas de interés, tipos de cambio, índices bursátiles de distintos países, la predicción del comportamiento de las cotizaciones de las acciones a partir de la evolución histórica de precios y volúmenes de negociación (análisis técnico), preedición de la evolución económico-financiera de las empresas teniendo en cuenta los factores económicos más importantes del entorno económico que afecta a estas empresas (análisis fundamental). Adicionalmente se pueden mencionar estudios de predicción con redes neuronales sobre la volatilidad en el mercado de derivados, predicción del número de franquicias que una empresa debe explotar, etc.

 

En el cuadro 3 podemos visualizar un breve resumen de los estudios y aplicaciones desarrolladas para resolver algunos de los tipos de problemas mencionados anteriormente utilizando distintos modelos de redes neuronales.

 

Cuadro 3: Redes neuronales artificiales en el dominio de la gestión financiera empresarial

Entidad	Tipo de Problema	Aplicación	Características
Instituto de Ingeniería del Conocimiento de la Universidad Autónoma de Madrid e IBM España, 1996.	Reconocimiento	Detección de fraudes en tarjetas de crédito	Sistema on line de recepción de información sobre transacciones, estimación de parámetros característicos de las mismas y evaluación de su potencial de riesgo.
Chase Manhattan Bank	Generalización-Clasificación	Una red neuronal del Chase Manhattan Bank  para la concesión de préstamos	Es un sistema mixto que incorpora herramientas estadísticas y un perceptrón multicapa.
Instituto de Ingeniería del Conocimiento de la Universidad Autónoma de Madrid y KEON S.A.	Reconocimiento	Reconocimiento óptico de caracteres en letras de cambio, recibos y documentos.	Rede neuronal para reconocimiento de óptico de caracteres en los campos de importes, fechas de libramiento y vencimiento, tanto de letras de cambio como recibos que forman la cartera del banco Bilbao Vizcaya.
Altman et al.(1994)	Generalización-Clasificación	Aplicación para la Centrale dei Bilanci italiana	Aplica análisis discriminante, lógit y perceptròn multicapa. Los resultados de este modelo de red neuronal frente a las estadísticas son equilibrados e invitan a la realización de nuevos estudios empíricos.

Entidad	Tipo de Problema	Aplicación	Características
Yoon et al. (1993)	Generalización-Clasificación	Estudios de evaluación del comportamiento de las acciones de las empresas en el mercado de valores.	Se trata de discrimar a las empresas en dos grupos, según las acciones hayan tenido o no un buen comportamiento en los mercados financieros. El estudio obtuvo resultados de un 76%.
Dutta et al. (1994)	Generalización-Clasificación	Rede Neuronal para calificar la emisión de bonos u obligaciones.	Aplican perceptròn multicapa y regresión lineal, comparando los resultados con los obtenidos por la agencia Standard & Poors. Su estudio muestra las limitaciones de los modelos lineales para abordar el problema de la clasificación de obligaciones.
Wong et al. (1992)	Generalización-Predicción-Análisis Fundamental	Red neuronal que combina diferentes herramientas de inteligencia artificial para obtener una cartera óptima de  acciones.	Se utiliza un modelo de red neuronal fuzzy que emplea la información del mercado de valores (ratios financieros) para predecir las rentabilidades de las acciones obteniendo resultados satisfactorios.
Refenes et al. (1993)	Generalización-Predicción-Análisis Fundamental	Modelo de construcción de carteras eficientes y colocación de activos en siete mercados financieros.	Esta neuronal utiliza información de los mercados financieros, tipo de interés, precio del petróleo, del oro y una serie de parámetros a fin de predecir construcción de carteras eficientes. Los resultados son satisfactorios.
Odom y Sharda. (1992)	Generalización-Clasificación	Estudio sobre predicción de quiebras analizando 5 ratios de veintinueve empresas estadounidenses.	Se utilizó red neuronal perceptròn simple, multicapa y red atenía para estudiar el problema de la predicción del fracaso empresarial utilizando información de veintinueve empresas americanas correspondientes al período 1975-1982.

Fuente: Elaboración propia a partir de la información tomada de Serrano, y Gallizo.  (1996).

 

 

1. ALGORITMOS GENÉTICOS

Los algoritmos genéticos son el resultado de los recientes avances de la computación evolutiva y la genética y se constituyen en una de las principales herramientas tecnológicas de la inteligencia artificial. Estos algoritmos simulan la mecánica de la selección natural y de la genética utilizando la información histórica para encontrar nuevos puntos de búsqueda de una solución óptima, permitiendo obtener soluciones a un problema que por su complejidad no tiene ningún método de solución de forma preciso. Dicha solución exige cálculos complejos que de manera normal tomarían demasiado tiempo.

La configuración básica de un algoritmo genético es la siguiente:

• Una representación, en términos de “cromosoma”, de las configuraciones de nuestro problema.
• Una manera de crear las configuraciones de la población inicial.
• Una función de evaluación que permite ordenar los cromosomas de acuerdo con la función objetivo.
• Operadores “genéticos” que permiten alterar la composición de los nuevos cromosomas generados por los padres durante la reproducción.
• Valores de los parámetros que el algoritmo genético usa (tamaño de la población, probabilidades asociadas con la aplicación de los operadores genéticos, etc).

Las principales aplicaciones de los algoritmos genéticos en el campo de la gestión financiera empresarial son: La predicción de la bancarrota de una empresa; evaluación y predicción de la capacidad financiera de una empresa para absorber un préstamo y con el fin de decidir el otorgamiento del mismo, la inferencia de reglas que indiquen las mejores decisiones sobre la asignación de recursos con base en información histórica de varios años.

Generalmente, los algoritmos genéticos se emplean con bastante éxito en la investigación de operaciones para resolver problemas de optimización numérica y combinatoria.

En conclusión se puede afirmar que, en la  búsqueda de soluciones óptimas, es importante combinar las ventajas de las redes neuronales con los algoritmos genéticos en una aproximación híbrida, esto con el fin de diseñar estructuras de redes neuronales óptimas. El objetivo es reducir la complejidad computacional y el tiempo requerido para diseñar una red neuronal.

 

 

2. LOGICA DIFUSA

La lógica difusa es una de las disciplinas matemáticas que cuenta con mayor número de seguidores en la actualidad  y un número creciente de aplicaciones entre las cuales podemos mencionar: La construcción de artefactos electrónicos de uso doméstico y de entretenimiento, el diseño de dispositivos artificiales de deducción automática, el diseño de  sistemas de diagnóstico  y de  control de complejos procesos industriales, etc. De esta manera la lógica difusa se constituye en una herramienta con un gran potencial para el desarrollo de nuevos métodos o técnicas de la Inteligencia Artificial.

La lógica difusa se funda en el concepto de que todo es cuestión de grado, lo cual permite manejar información vaga o de difícil especificación, importante para la resolución de un problema, por medio de una serie de reglas de "sentido común" aprendidas con sistemas adaptativos que se nutren de la observación de las personas o de la formulación por parte del experto humano.

El aspecto central de las técnicas de lógica difusa es que, a diferencia de la lógica clásica, la lógica difusa tiene la capacidad de reproducir de manera aceptable y eficiente los modos usuales del razonamiento humano, al considerar que la certeza de una proposición es una cuestión de grado por esta razón parte de la base del razonamiento aproximado y no del razonamiento preciso como lo hace la lógica clásica. De esta forma las características más importantes de la lógica difusa son: La flexibilidad, la tolerancia con la imprecisión, la capacidad para moldear problemas no-lineales y su fundamento en el lenguaje des sentido común.

En el campo de las empresas la teoría sobre la borrosidad se ha extendido en general a todas las áreas de decisión en las que se manejan estimaciones subjetivas basadas en la información disponible y en su propia experiencia tales como: modelos de decisión utilizados con criterios de optimización, modelo de producción, inventario, seguro de vida, localización de plantas industriales, selección de carteras, estrategia de entrada a mercados extranjeros, valoración de intangibles en empresas de Internet, etc. Asimismo, la utilización de las técnicas de lógica difusa es aconsejable para resolver procesos muy complejos, es decir, cuando se carece de un modelo matemático simple o para procesos altamente no lineales, o si el procesamiento del conocimiento experto (lingüísticamente formulado) puede ser desempeñado.

En conclusión, vale la pena señalar que la tendencia futura de las investigaciones sobre predicción financiera, mediante la Inteligencia Artificial, esté orientada a la creación de sistemas híbridos que integren las habilidades de las redes neuronales y las posibilidades de la lógica difusa, algoritmos genéticos y lógica de conjunto, debido a que actualmente se están experimentando e implementando estos sistemas mixtos.

 

 

 

3. CONCLUSIONES.

 

En este artículo se presenta una breve revisión de las principales técnicas de la Inteligencia Artificial y sus aplicaciones a la gestión financiera empresarial, debido a que estas herramientas tecnológicas constituyen un soporte muy importante para la toma de decisiones eficaces y oportunas en la gestión empresarial.

 

De las técnicas de Inteligencia Artificial los sistemas expertos se constituyen en la técnica o herramienta  más tradicionalmente aplicada a la gestión financiera empresarial debido a que permiten la implementación de sistemas transaccionales, flexibles  e innovadores para las empresas. La gran mayoría de los sistemas expertos están basados en reglas de clasificación que son obtenidas partiendo de la experiencia y del conocimiento de especialistas expertos en la solución de un problema particular. Sin embargo, recientemente se ha venido desarrollando una nueva técnica adscrita a los Sistemas expertos y son los denominados Sistemas Basados en Casos (Case Based Reasoning).

 

En la búsqueda de nuevas técnicas de Inteligencia Artificial se han implementado estructuras auto-organizativas  que simulen o imiten el funcionamiento de la vida biológica, tal es el caso de las redes neuronales artificiales las cuales intentan representar el conocimiento desde el estrato más básico de la inteligencia ( el estrato físico) que es el cerebro humano. Estas estructuras autoorganizativas se constituyen en  sistemas robustos  para el tratamiento de la información, cuya potencialidad aún es objeto de investigación. Las características fundamentales de las redes neuronales artificiales son entre otras: La capacidad de autoaprendizaje a partir del procesamiento de patrones, flexibilidad ante cambios en nuevos ambientes, y  la tolerancia a fallos.

 

Por otra parte, las redes neuronales se están combinando con otras técnicas de reciente aparición tales como la lógica difusa y los algoritmos genéticos, las cuales proporcionan en conjunto herramientas potentes para la resolución de problemas complejos para los cuales el sistema algorítmico tradicional no es eficiente.

 

La evolución y constante desarrollo y aplicación de estas técnicas de la inteligencia artificial nos invitan a continuar realizando estudios empíricos que permitan determinar en qué tipo de problemas y bajo qué condiciones estas herramientas pueden ser una solución más eficiente que los modelos utilizados habitualmente.

 

En conclusión, la aplicación de las herramientas anteriormente mencionadas al campo empresarial, permite contar con metodologías que sirven de soporte a los complejos procesos de análisis. Dichos procesos se requieren en el descubrimiento de las tendencias del negocio a fin de tomar decisiones eficientes y oportunas, y poder afrontar los retos que impone el mundo globalizado, en donde el conocimiento y su correcta aplicación aparecen como un factor esencial para el desarrollo de las organizaciones y de la economía en general.

 

 

4. BIBLIOGRAFIA

 

Arias, J., Fabián M.(2005): “Pronóstico del tipo de cambio colombiano: Una aproximación desde las redes neuronales”. Edición electrónica accesible a texto completo en   http:/www.uniandes.edu.co. Páginas:4-31.

 Bracamonte R..C. y  Villamizar, J.G. (2002): “Diseño e Implementación de un sistema inteligente utilizando redes neuronales”. Tesis Uninorte. Páginas: 6-18.

Boucier, D. y Casanova, P.(2003): “Inteligencia Artificial y Derecho”. Editorial UOC. Páginas: 54-72.

Flores, M.(n.d): “La Inteligencia Artificial en la Gestión Empresarial”. Edición electrónica accesible a texto completo en http://www.monografias.com/trabajos28/inteligencia-artificial-gestion-empresarial/inteligencia-artificial-gestion-empresarial.shtml 

 Giatarrano, J. Y Riley, G. (2001): “Principios y Programación”. Internacional Thomson Editores. Páginas 1-50.

Graubard, Stephen R. (1993):“El nuevo debate sobre la inteligencia artificial-Sistemas simbólicos y redes neuronales”. Editorial Gedisa . Primera edición. Páginas: 29-96.

Guy, B., Pierre, L y Pomerol, J.C.(1990): “Los sistemas expertos en la empresa”. Macrobit Corporation. Página: 9-189.

Harmon, P. y King, D. (1985): “Artificial Intelligence In business Expert System” A Wiley Press Book . Páginas 1-21.

Hilera J. y Martínez, V. (1995): “Redes Neuronales Artificiales. Fundamentos, Modelos y Aplicaciones ”. RA-MA/Addison Wesley Iberoamericana.

Isasi, P. y Galván Inés. (2004).“Redes de Neuronas Artificiales Un enfoque práctico”. Editorial Pearson Prentice Hall.. Páginas 1-41.

Lozano, M.C., Fuentes, F. (2003): “Interdisciplinaridad y Multidisciplinaridad en aplicaciones a las finanzas”. Revista de economía y Empresa, No.49, Vol.XX,  (2a. Época). Tercer Cuatrimestre. Páginas: 4,8-19.

Lozano, M.C.; Fuentes, F.(2003): “Tratamiento borroso del intangible en la valoración de empresas en internet”. Edición electrónica accesible a texto completo en  http://www.eumed.net/cursecon/libreria/clg-ffm/index.htm.

Martín Del Paso, Mónica.(2005): “Aplicaciones de las redes neuronales artificiales a problemas de predicción y clasificación financiera”. Páginas: 24-56. Editorial Universidad Rey Juan Carlos. Edición electrónica accesible a texto completo en  www.ebrary.com

Ozturk, Nursel.(2003) “Use of genetic algorithm to design optimal network structure”. Edición electrónica accesible a texto completo en  http:\\proquest.umi.com/pqdweb?did=508122051&Fmt=4&clientld=28054&RQT=309&Vname=PQD   

Rojas, Raúl. (1996): “ Neural Networks-A systematic Introduction”. Editorial Springer. Páginas: 3, 51.

Sánchez Tomás, A. (1996) : “Aplicación de los sistemas expertos en contabilidad”. Departamento de Contabilidad. Universidad de Valencia. Edición electrónica accesible a texto completo en http://ciberconta.unizar.es/Biblioteca/0002/Sanchez95.html.

Rusell, S. y Norvig, P.(2004): “Inteligencia Artificial Un enfoque Moderno”. Editorial Pearson Prentice May . Páginas 2, 3.

Serrano, C. y Gallizo, J.L.(1996): ” Las redes neuronales artificiales en el tratamiento de la información financiera”. Departamento de Contabilidad y Finanzas. Universidad de Zaragoza. Edición electrónica accesible a texto completo en http://ciberconta.unizar.es/Biblioteca/0004/SerGall96.html

Suárez. J. (2000): ” Técnicas de inteligencia artificial aplicadas al análisis de la solvencia empresarial”. Edición electrónica accesible a texto completo en  http://www.uniovi.es/econo/DocumentosTrabajo/2000/206_00.pdf

 Tolmos, R. Piedad.(n.d): “Introducción a los algoritmos genéticos y sus aplicaciones”. Edición electrónica accesible a texto completo en http://www.uv.es/asepuma/jornadas/madrid/J24C.pdf    

Universidad Nacional Autónoma de México.”Redes Neuronales para la minería de Datos y Textos: aplicación análisis exploratorio y descubrimiento de conocimiento en grandes bases de datos d e información biomédica”. Edición electrónica accesible a texto completo en http://www.dynamics.unam.edu/DinamicaNoLineal/Proyectos/MineriaDatos/ProyectoMexicoCuba2003.pdf

 

---

[1] _{Una de las mayores contribuciones al área de las redes neuronales fue realizada en los años 1980 por John Hopfield, quien estableció un modelo de red neuronal artificial cuyas características son las siguientes: La operación de la red es totalmente diferente al sistema de perceptròn. En el modelo de Hopfield, la primera salida es tomada como entrada en el ciclo siguiente, produciendo una nueva salida. Adicionalmente el aprendizaje es también diferente; en este sistema no se trata de ajustar pesos ya que éstos se mantienen constantes desde el principio, se trata de encontrar dichos pesos, en función del problema, el conjunto total del sistema puede venir representado por una función denominada Función de Energía.}

[2] _{Teuvo Kohonen desarrolló en 1989 un tipo de red neuronal basado en la capacidad que tienen el cerebro para formar mapas característicos de la  información recibida del exterior. Esta red contiene una capa de neuronas y una capa de entradas que se ramifica para todos los nodos. El objetivo de Kohonen era demostrar con este tipo de red que un estímulo externo  era suficiente para forzar la formación de mapas de autoorganización.}

 

WEBSITES

http://ciberconta.unizar.es/docencia/intelig

http://www.puntolog.com/actual/articulos/aplicacion.htm

http://sisbib.unmsm.edu.pe/bibvirtualdata/publicaciones/indata/Vol8_n2/a05.pdf

http://www.monografias.com/trabajos12/redneur/redneur.shtml

http://espanol.geocities.com/melvinosman/iartificial.doc

http://www.5campus.com/leccion/IA

http://www.eumed.net/cursecon/libreria/

http://www.ilustrados.com/publicaciones/EpyVZEuFAAboUblISx.php

http://www.tdcat.cesca.es/TESIS_UPC/AVAILABLE/TDX-0416102-075520/26ApendiceD.PDF

http://www.idi.ntnu.no/emner/it3704/2005/lectures/papers/Aamodt_1994_Case.pdf

http://www.secyt.frba.utn.edu.ar/gia/RNA.pdf

http://delta.cs.cinvestav.mx/~gmorales/ldifll/node1.html

http://ingenieroseninformatica.org/recursos/tutoriales/sist_exp/cap1.php

Volver a la Enciclopedia de Economía EMVI