Tesis para optar al grado de Magíster en Finanzas / Autor no autoriza el acceso a texto completo de su documento / predictiva de Modelos Financieros y 2) Potenciales Leading Indicators para los Mercados Emergentes de Latinoamérica. Los modelos compiten en horizontes de 1d (diario), 5d (semanal) y 30d (mensual), y son evaluados fuera de muestra mediante el RMSE y el porcentaje de predicción del signo, PPS . Las series de tiempo utilizadas son retornos logartmicos diarios, y retornos en nivel semanales y mensuales. Por otra parte, los Leading Indicators son analizados mediante la composición de ndices CompositeIndex y a través de un Modelo de Relaciones basado en algoritmos de Data Mining. Los potenciales factores analizados son S &P500 , NASDAQ , FTSE100 , DAX , Nikkei . Los Mercados Emergentes analizados en este artculo son Chile, Colombia, Brasil, Perú y México. Los resultados muestran que se encuentra evidencia de una buena capacidad predictiva, pero no consistencia del desempeño de los modelos a través de distintos horizontes de predicción, es decir, que la jerarqua de los mismos cambia y no se puede determinar una dominancia absoluta de uno sobre otro. Por otra parte, se encuentra sustento para apoyar la idea de Leading Indicators para los Mercados Emergentes de Latinoamérica, principalmente a través de las reglas de asociació

Actualmente el Estado Peruano a través de PROINVERSION promueven las Asociaciones Publico Privadas (APP) para la ejecución de proyectos con el apoyo del sector privado. Estos tipos de proyectos son promovidos en el sector privado a través de Iniciativas Privadas Autofinanciadas (IPA) o Iniciativas Privadas Cofinanciadas (IPC). Asimismo, para ser ejecutadas correctamente y además sean atractivas para el sector privado deben contar con un eficiente modelo de financiamiento; en el caso de las APP contamos con: Pago por disponibilidad y Pago por hitos. Es por estas iniciativas privadas, que este año el Estado Peruano ha adjudicado la buena pro del proyecto PTAR TITICACA. Este proyecto es un sistema para tratar las aguas residuales antes que lleguen al Lago Titicaca y lo contaminen. El consorcio FYPASA ha ganado el concurso y operará Plantas de Tratamiento de Aguas Residuales en 10 provincias que están alrededor del Lago. Este proyecto ha tenido como condición en licitación que el mecanismo de pago sea pago por hitos, por ello, esta investigación busca realizar la comparación de ambos tipos de mecanismos de pago con la finalidad de conocer los resultados para ambos casos y que beneficios presentan para el sector privado. / Currently, the Peruvian State through PROINVERSION promotes Public Private Partnership (PPPs) for the execution of projects with the support of the private sector. These types of projects are promoted in the private sector through Self-Financed Private Initiatives (IPA) or Co-Financed Private Initiatives (IPC). Also, to be executed correctly and also be attractive to the private sector, they must have an efficient financing model; in the case of PPPs we have: Availability Payments and Milestone Payments. It is for these private initiatives; the current year the Peruvian State has approved PTAR TITICACA project. This project is a system to treat wastewater before it reaches Lake Titicaca and contaminate it. The FYPASA consortium has won the contest and will operate Wastewater Treatment Plants in 10 provinces that are around the Lake. This project has had as a condition in tender that the payment mechanism is Milestones Payments, therefore, this research seeks to make the comparison of both types of payment mechanisms in order to know the results for both cases and what benefits they present for the private sector. / Trabajo de investigación

Durante los últimos años, la complejidad de la gestión de riesgos, y en especial, la gestión de crédito se ha incrementado en las entidades del sistema financiero; lo cual generó un aumento de la cartera vencida de créditos, lo cual conlleva pérdidas e imprecisiones en los modelos de medición de riesgos y al medir la probabilidad de default de acuerdo al perfil de riesgo. Para reducir este tipo de riesgos, en especial el riesgo crediticio, el cual evidencia una de las principales inquietudes por parte de las entidades financieras, se utilizan sistemas automáticos de medición y clasificación, también conocido como credit scoring. Asimismo, de acuerdo a la transformación digital y la evolución tecnológica, los algoritmos y metodología empleada de machine learning, en combinación con modelos históricos, ayudan a desarrollar y potenciar los modelos, lo cual mitiga el riesgo de crédito en el sistema financiero. En este contexto, el objetivo de la presente tesis es optimizar la probabilidad de aplicaciones de estas técnicas o modelos en la gestión del riesgo crediticio, es decir, la probabilidad de default por parte de los clientes, incorporando algoritmos de machine learning para la asignación de tarjetas de crédito, uno de los productos estrella que representa en gran medida a los productos del sector financiero. Además, se estiman diversos modelos de credit scoring haciendo uso de algoritmos de machine learning y realizando una comparación con los modelos tradicionales del sector financiero que pueden ser paramétricos y no paramétricos. Respecto a técnicas paramétricas, el uso de Análisis Discriminante, Modelos de Probabilidad Lineal, Modelos Logit. Por otro lado, respecto a las técnicas no paramétricas, el uso de Programación Lineal, Árboles de Decisión y Modelo XGBoost.