Versión de HTML Básico
Rodrigo Cajamarca y Hermann Mena
Analíti a
k
3
Revista de Análisis Estadístico
Journal of Statistical Analysis
En el método de mínimos cuadrados recursivo combi-
nado con 100 y 500 iteraciones (Figura 5 y Figura 6), se uti-
lizaron 12 y 24 centros. Con 100 iteraciones, el ajuste del
conjunto de entrenamiento es similar para 12 y 24 centros;
pero cuando se calculan los pronósticos, hay mejores re-
sultados con 12 centros; ver Figura 5a. Lo mismo sucede
cuando se incrementa a 500 iteraciones,
i.e.
, con 12 centros
los pronósticos se asemejan mucho más a la serie real (Fi-
gura 6a).
La Figura 7 presenta, para cada uno de los métodos,
la suma de errores del modelo y
back testing
. Los mejores
métodos, según estos criterios, son mínimos cuadrados por
lotes, agrupamiento difuso combinado 24 (24 grupos) y mí-
nimos cuadrados recursivo combinado 12-100 (12 centros,
100 iteraciones).
Con el objetivo de comparar los resultados de los mé-
todos automáticos, se calculó un modelo SARIMA para la
RILD, utilizando el mismo conjunto de entrenamiento. Los
resultados del modelo SARIMA muestran que el modelo
más apropiado para su estimación y pronóstico es un SA-
RIMA(3, 0, 0)(1, 0, 0). Estos resultados son comparados con
los mejores métodos automáticos en la Figura 8. Se puede
apreciar que los métodos de mínimos cuadrados por lotes,
agrupamiento difuso combinado 24 y el modelo SARIMA
son los mejores cuando se ejecuta el entrenamiento (resi-
duos de los modelos); pero, cuando se calculan los pronós-
ticos, los métodos de agrupamiento difuso combinado 24 y
mínimos cuadrados recursivo combinado 12-100 son más
competitivos.
ADC12 ADC24 MCL G MCL T MCR G 100MCR G 500 MCR T 100 MCR T 500MCRC12100MCRC12500MCRC24100MCRC24500
0
2
4
6
8
10
12
14
16
18
Modelos
(a)
Residuos de los modelos
ADC12 ADC24 MCL G MCL T MCR G 100MCR G 500 MCR T 100 MCR T 500MCRC12100MCRC12500MCRC24100MCRC24500
0
2
4
6
8
10
12
14
16
18
Modelos
(b)
Residuos del
back testing
Figura 7.
RILD, residuos de los métodos automáticos y
back testing
3.2 Índice de Liquidez de Instituciones Finan-
cieras
En este apartado se aplican los métodos descritos para
un índice de liquidez de los bancos: Pichincha, Internacio-
nal y Amazonas, en ejemplos del caso de entrada y salida
múltiple.
La liquidez de una institución financiera ser refiere a su
capacidad de contar con los fondos necesarios para:
•
cumplir oportunamente con los compromisos finan-
cieros adquiridos, cubrir retiros de depósitos a la vis-
ta, pagar una deuda, o pagar a proveedores;
•
aprovechar oportunidades de negocio,
i.e.
, compra de
cartera, inversión a tasa atractiva, etc.
Cuando una institución enfrenta una escasez de fondos
para cumplir con sus obligaciones, tiene la necesidad de
conseguir recursos alternativos o de vender activos en con-
diciones desfavorables, con un alto costo financiero o una
elevada tasa de descuento incurriendo en pérdidas de valo-
ración; por esta razón, una institución debe establecer e im-
plementar políticas y procedimientos idóneos que le per-
mitan una adecuada administración de su liquidez, consi-
derando la complejidad y el volumen de las operaciones
que realiza. Dichas políticas y procedimientos deben tener
en cuenta los posibles escenarios y la forma en la que la ins-
titución respondería, en el caso de que tales eventos sean
reales [16]. Sin embargo, la preferencia por la liquidez pue-
de ser contraproducente para la economía general;
e.g.
, si
hay incertidumbre o los precios decaen, la población en ge-
neral puede preferir mantener sus activos, tendencia que,
si se generaliza, puede llevar a una gran disminución de la
demanda.
El siguiente modelo considera el índice definido como:
Liquidez
=
Fondos disponibles
Total de depósitos a corto plazo
,
por lo que se consideraron las siguientes variables:
Variable Descripción
Y
1
Índice de liquidez Banco Pichincha
Y
2
Índice de liquidez Banco Internacional
Y
3
Índice de liquidez Banco Amazonas
X
1
Índice de precios al consumidor
X
2
Inflación
La información corresponde a las series mensuales del
período enero 2006 - octubre 2010. Como conjunto de en-
trenamiento se consideró al período enero 2006 - diciem-
bre 2009 y, como conjunto de
back testing
, al período enero
2010- octubre 2010.
34
Analítika,
Revista de análisis estadístico
, 2 (2012), Vol. 3(1): 23-42