Publicación a texto completo no autorizada por el autor. / Analiza, para el periodo 2000 – 2014, la Política Monetaria del Ecuador a través de las diferentes fases del capital-dinero con el objetivo de describir el comportamiento de las cifras macroeconómicas en general y la respectiva Política Económica en particular. El primer capítulo presenta un análisis sobre el comportamiento del Presupuesto General del Estado y de las inversiones; particularmente las colocaciones de la banca pública durante el período 2005-2013, donde el Estado aparece como uno de los actores económicos canalizadores de recursos dinerarios necesarios para poner en marcha al aparato económico. El segundo capítulo expone el Marco Teórico, enfatizando los fundamentos Epistemológicos. Expone un tratamiento crítico de las doctrinas económicas que explican las leyes del movimiento del capital. Se desarrolla un Marco Histórico y se detallan los Antecedentes de la investigación. El tercer capítulo, trata sobre la metodología que guía el desarrollo de la presente investigación. El cuarto capítulo se centra en la política monetaria en el Ecuador partiendo de la Política Económica. Se analiza la segunda fase de circulación del capital- mercancía, particularmente los mercados donde circulan los valores de uso que soportan los ejes de acumulación del capital en el Ecuador. Asimismo, la situación y el comportamiento del consumo interno, las cifras sobre las exportaciones. En esta sección se verifica la concentración de los ingresos y de los mercados por parte de un puñado de emporios económicos asentados históricamente en el país, a través del ranking realizado por el Servicio de Rentas Internas sobre los grupos económicos del Ecuador, y algunos datos proporcionados por el seguimiento realizado por la revista Vistazo sobre las empresas más grandes y prestigiosas del país. / Tesis

Seminario para optar al grado de Ingeniero Comercial, Mención Administración / Existe una profunda la discusión en el mundo de las finanzas sobre la efectividad del análisis técnico y del análisis fundamental, a la hora de predecir los precios de los activos y obtener retornos por sobre el mercado. Este estudio profundiza en dos focos de estudio: El poder predictivo sobre el precio, a través de regresiones, que posee cada tipo análisis y la aplicación de sistemas de trading del análisis técnico, para ver su capacidad de obtener retornos por sobre una estrategia benchmark. Se emplearon acciones de los mercados bursátiles de 5 países de Latinoamérica: Brasil, Chile, Colombia, Perú y México. Para ello, se usan distintos indicadores como Medias Móviles, Oscilador Estocástico, RSI, Bandas de Bollinger, MACD y %R de Williams. Por medio de las regresiones, se observa un gran poder predictivo de las variables del análisis fundamental, mientras que del análisis técnico sólo el rezago de los precios a tres períodos tendría significancia y no así con la búsqueda de momentums. Se encuentra, por medio de un modelo hibrido, que ambas técnicas en conjunto proporcionan mejor capacidad predictiva que por separado en mercados latinoamericanos. En la aplicación de los indicadores de análisis técnico, se observan resultados negativos. El RSI y las Bandas de Bollinger son las técnicas con mejor performance, obteniendo retornos positivos sobre la estrategia pasiva en un 40% y un 33% de la muestra. El resto de los indicadores presentan pobre capacidad de extraer retornos, siendo generalmente superados por la estrategia pasiva, después de costos de transacción.

Seminario de Título Ingeniero Comercial, Mención Administración / La crisis Asiática ha sido ampliamente estudiada, indicando que sus causas eran en gran medida predecibles. Es por ello que nosotros estudiamos el mercado de los índices accionarios, sus ADRs y riesgo país como proxies que permitían adelantarse a los críticos eventos financieros vividos por esas economías. En particular el mercado de los ADRs llama la atención su comportamiento sobretodo para el caso de Tailandia y Malasia, ya que presentan retornos anormales positivos aunque no estadísticamente significativos. Para el caso de los índices accionarios, presentaron retornos anormales negativos para los cuatro países en un período cercano al evento y, como era de esperarse, el índice EMBIG que mide la probabilidad de “default” de esos países, presentó retornos positivos en los cuatro casos en el período previo a cada evento. La combinación de aspectos macroeconómicos, combinado con factores financieros y apoyado con el análisis del entorno internacional sería la clave para entender mejor los riesgos financieros de la región, tomando como pilar las economías principales de esta.

El presente trabajo busca documentar el potencial de los modelos VAR Bayesianos (BVAR) para la predicción de índices de tipos de cambio reales efectivos. Para esto, se prueban distintas especificaciones de modelos predictivos utilizando la base angosta de índices de tipos de cambio reales efectivos de BIS que incluye datos para 27 economías. En primera instancia se prueban modelos univariados simples para realizar las predicciones y tener un punto de referencia para las estimaciones BVAR. El análisis de los resultados de las predicciones de los modelos BVAR tradicionales muestran que estos por sí solos no tienen un mejor desempeño que los modelos univariados. Estos resultados son robustos a la ventana de estimación, y a la especificación de los priors del BVAR.

Ingeniero Civil Eléctrico / En el mundo financiero, la decisión de compraventa de activos se suele asentar en el análisis fundamental a largo plazo, combinado con análisis técnico a corto plazo; con el objetivo de establecer un momento adecuado para la adquisición y enajenación de activos. En la última década, se ha verificado un crecimiento exponencial en la capacidad de procesamiento y de manejo de bases de datos; siendo la minería de estos vastamente estudiada y aplicada exitosamente en distintos campos, entre los cuales se encuentran las finanzas. En el presente trabajo, se estudia la existencia de estructura con capacidad predictiva en activos financieros, con el fin de anticipar cambios de tendencia y así obtener retornos por sobre el mercado. Para esto, se desarrolla a cabalidad el proceso de extracción de conocimiento de bases de datos, el que considera desde la generación de variables, hasta la obtención de información, a partir de los datos transaccionales de las acciones que componen el Índice de Precios Selectivo de Acciones (IPSA) 2013. En este sentido, es importante precisar que la metodología clásica en la predicción de series de tiempo, se basa en la utilización de precios anteriores para así predecir el precio futuro, utilizando ventanas de tiempo estáticas. En este trabajo se estudia un método nuevo, donde la variable objetivo, en vez de ser retornos en ventanas temporales, son tanto retornos como ventanas dinámicas, extraídas a partir de extensiones no causales de retracciones porcentuales del precio (indicador ZigZag) de las acciones, las que representan mínimos y máximos locales de la serie de tiempo; evitando así sobreajuste temporal y acomodándose a los cambios de ciclo del activo en estudio. Se generan variables independientes a partir de datos de transacciones realizadas por parte de miembros de las compañías (Insiders) e indicadores técnicos tales como cruces, divergencias y zonas de agotamiento a partir de Medias Móviles Convergentes/Divergentes, Índice de fuerza Relativa y Oscilador Estocástico. Se realiza selección de características mediante Forward Selection y Backward Elimination, para encontrar un subconjunto de atributos adecuado y analizar su impacto predictivo. Se aplican algoritmos de aprendizaje supervisado con capacidad de extraer patrones altamente no lineales, destacando Redes Neuronales de Retropropagación, Máquinas de Soporte Vectorial y Métodos Basados en Similitud. Con el fin de determinar el ciclo del mercado al que mejor se ajustan los atributos extraídos y el mejor modelo predictor sobre la base de datos no balanceada, se evalúa la combinación de predicciones de compraventa (anticipaciones de cambio de tendencia) utilizando clasificador Bayesiano ingenuo y operadores lógicos. Finalmente, se realiza una evaluación tanto cualitativa (visual) como cuantitativa (mediante un simulador de inversiones) del comportamiento de las recomendaciones de compraventa; analizando la distribución de retorno, drawdown y tiempo de apertura de las operaciones. De lo anterior puede concluirse que dentro de lo caótico del mercado bursátil, subyace estructura altamente no lineal con poder anticipativo de cambios de tendencia de los activos; la cual se puede atribuir a que, en Chile, el mercado es poco profundo, ilíquido o ineficiente.

La información juega un rol fundamental en los mercados financieros. Las noticias el sentimiento de mercado o los resultados financieros de las empresas son claves para los inversionistas. Asimismo, la evolución de la tecnología ha permitido un análisis más eficaz de la información y ha desarrollado nuevas formas de visualización, es así como el machine learning ha permitido usar información poco común para los inversionistas como son las redes sociales (Twitter), noticias de periódicos (Wall Street Journal) o los earnings calls de las empresas para extraer datos relevantes. Por otro lado, las transcripciones de los earnings calls son públicas y contienen los nombres de los participantes de la llamada (ejecutivos y analistas), la presentación donde se exponen los resultados del trimestre y ciertas proyecciones o tendencias de los siguientes trimestres. El estudio se enfoca en combinar dos algoritmos distintos de clasificación usados dentro del machine learning (Random Forest Classifier y Naive Bayesian) y así ayudar a analizar y predecir el comportamiento de los earning calls en el movimiento de las acciones de empresas mineras (Southern Copper Corporation, Trevali Mining Corp, Compañía de Minas Buenaventura y Minsur) que cotizan en la Bolsa de Valores de Lima (BVL), así como clasificar el transcrip en sentimientos negativos, positivos y neutros.

En los últimos años, se ha producido una intensa producción de investigación académica con respecto a los modelos que estiman o predicen los eventos de incumplimiento de pago, debido al mayor interés de las empresas por mantener una mejor gestión de riesgo de crédito. Por ello, el presente trabajo tiene como principal objetivo comparar la capacidad predictiva de los modelos tradicionales o estadísticos (Regresión Logística) contra modelos Machine Learning (XGBoost y Random Forest). Para lo cual, se emplea una muestra de compañías latinoamericanas que emitieron bonos corporativos durante el período de 1990 a 2022, analizando así un total de 389 empresas. Asimismo, se usó Bloomberg, como fuente de información para extraer los ratios financieros con frecuencia trimestral en el periodo ya mencionado, obteniendo así 51,060 observaciones. Una de las características de este trabajo es que se usaron las variables del modelo de puntaje Z de Altman junto con otros ratios financieros complementarios, para así mejorar la precisión de los modelos. Sin embargo, para la determinación del mejor modelo predictivo, se usaron las métricas de clasificación como el AUC (Área bajo la curva ROC), Precisión, Recall y Score F1, y los resultados mostraron que los modelos de Machine Learning tuvieron un mejor rendimiento de clasificación con respecto a la Regresión logística, siendo el modelo Random Forest el que mejor performance según las métricas de evaluación.