Spelling suggestions: "subject:"pronóstico dde lla economía.el"" "subject:"pronóstico dde lla economíadel""
1 |
Predecir el movimiento de las acciones que cotizan en la Bolsa de Valores de Lima (BVL) a partir de los earning calls y usando Machine LearningMacedo Pereira, Andrea 11 January 2024 (has links)
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.
|
2 |
Probabilidad de default de portafolios de deuda corporativa en economías emergentesEstrella Torres, Maykol Alexander, Vega Nuñez, Johan Jose 11 January 2024 (has links)
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.
|
Page generated in 0.0775 seconds