Aplicación de la Inteligencia Artificial para la Detección de Riesgos Financieros: Un Estudio de Programación Computacional

Abstract

Los procesos manuales para la valoración de los riesgos financieros dentro de las empresas demandan altos índices de tiempo y recurso humano, lo cual en términos económicos generan gasto para las empresa y mayor tensión a la espera de los resultados. De lo expuesto el estudio tuvo como finalidad la elaboración de algoritmos en Phyton que permite el análisis de riesgos financieros basados en el VaR, utilizando datos históricos y el riesgo de inversión, para lo cual se empleó los fundamentos de la inteligencia artificial (IA) para la alimentación de una red neuronal. El estudio por la naturaleza de sus objetivos fue cuasi experimental. Los entrenamientos de los algoritmos de programación fueron probados en 7 empresas dedicadas a la producción. La metodología utilizada para el diseño y aplicación de la IA para la medición de los riesgos financieros siguió la siguiente ruta: recopilación y pre procesamiento de datos, selección del modelo de IA, entrenamiento del modelo, validación del modelo, cálculo de riegos financieros, ajuste y optimización y evaluación continua. Los hallazgos demuestran que los procesos de inteligencia artificial dentro de la empresa para valorar los riesgos financieros tienen una efectividad del 99% basado en los algoritmos establecidos en Phyton, aplicables a modelos de aprendizaje automático para pronósticos de riesgo, además, las limitaciones que surgieron en la investigación y que pueden presentarse en estudio futuros en relación al tema como: dependencia de los datos históricos, sensibilidad a datos sesgados, falta de interoperabilidad, riesgos operativos y de implementación, así cambios en el entorno y eventos imprevistos. El valor del F1 – score fue de 0.85, lo cual indica un rendimiento sólido del modelo en la tarea de clasificación

Palabras Clave: Inteligencia artificial, aprendizaje automático, Valor en Riesgo, riesgo de inversión, finanzas.

Abstract 

The methodology used for the design and application of AI for measuring financial risks followed the following path: data collection and preprocessing, selection of the AI model, model training, model validation, calculation of financial risks, adjustment and optimization, continuous evaluation. The findings demonstrate that artificial intelligence processes within the company to assess financial risks have an effectiveness of 99% based on. The algorithms established in Python are applicable to machine learning models for risk forecasts. Moreover, the limitations that arose in the research and that may appear in future studies regarding the topic are: dependence on historical data, sensitivity to biased data, lack of interoperability, operational and implementation risks, as well as changes in the environment and unforeseen events. The F1 - score value was 0.85, indicating a solid performance of the model in the classification task.

Keywords:  Artificial intelligence, machine learning, Value at Risk, investment risk, finance.