Web seleccionada: Seccion Inteligencia Artificial:. (http://ciberconta.unizar.es/docencia/intelig)
· La Inteligencia Artificial por C Serrano
· Las redes neuronales artificiales por C Serrano
· Los Sistemas Expertos en la Contabilidad por A Sánchez
· Aplicaciones de las Redes Neuronales en Contabilidad y Finanzas por C Serrano
· Sistemas de Inducción de árboles de decisión por E Bonsón
· Sistemas expertos: aspectos técnicos por JC Scarabino
· Análisis financiero con redes neuronales y escalas multidimensionales por C Serrano ¡nuevo!
· Manual del programa Teruel, una red neuronal autoorganizada por Medrano, N y Martín, B ¡Software gratuito!


Las redes neuronales artificiales en el tratamiento de la información financiera

 

Carlos Serrano Cinca y José Luis Gallizo Larraz

Departamento de Contabilidad y Finanzas, Universidad de Zaragoza.

 

Dirección: Carlos Serrano Cinca, Departamento de Contabilidad y Finanzas, Facultad de Ciencias Económicas y Empresariales, Gran Vía 2, Zaragoza (50005). Tel: (976) 231341 cserrano@mecon.unizar.es

 


1. INTRODUCCION.

Los procedimientos sistemáticos aplicados a la toma de decisiones gerenciales, se han basado históricamente en medios cuya evolución ha progresado a medida que aumentaba la complejidad de las relaciones empresariales. Así, con anterioridad a la aplicación del método científico, en la resolución de problemas relativos a la actividad económica y empresarial, las decisiones se adoptaban de forma individual por el propio decisor, sobre la base del binomio, experiencia-intuición.

Desde mediados de siglo, la contribución de la informática fue fundamental para procesar la información que la empresa generaba en su entorno, proporcionando a la gerencia en disposición de los medios suficientes, una amplia capacidad de decisión en el desarrollo de su actividad. No obstante, en este proceso no se produjeron aún adelantos sustanciales, sencillamente, los avances informáticos simularon las funciones ejecutadas por el procedimiento manual, consiguiendo que los requerimientos informativos legales a cubrir por las entidades se asegurasen de forma rápida y eficaz, pero ignorando un ámbito mucho más amplio que tuviese por objetivo cubrir las nuevas necesidades de toma de decisiones para la gestión de empresas en una economía industrializada y enormemente competitiva.

Desde hace unos años, los investigadores en sistemas de tratamiento de datos financieros han reconocido las dificultades que plantean los sistemas de procesamiento de la información para responder a las nuevas exigencias en la mayoría de las empresas, entre otras, por las siguientes razones: los sistemas tradicionales no cubren las necesidades informativas de los usuarios [McCarthy, W. 1982], en casos que se aporte un amplio caudal de información, la imposibilidad de los humanos de procesar o comprender lo suministrado en los datos contables [White, C. 1983], y en todo caso, por la limitación que supone centrarse tan sólo en procesar datos numéricos [O'Leary, D. 1987].

En la actualidad, los sistemas de ayuda a la decisión, han reemplazado el término información por el de conocimiento, lo cual permite incluir en el proceso de toma de decisiones aspectos cualitativos en el tratamiento de datos, asi como el saber acumulado de especialistas en el área de trabajo objeto del problema a resolver, elementos, que hasta ahora no habían sido considerados en los sistemas aplicados. [Gallizo, J.L., Moreno, J.M., 1992]

Los desarrollos más recientes de la Inteligencia Artificial han resaltado la importancia de los sistemas soporte de ayuda a la toma de decisiones y de la información cualitativa, sugiriendo modelos desarrollados para asistir al decisor en la resolución de problemas. Por un lado, los sistemas expertos tratan de representar el conocimiento de forma simbólica, partiendo de la premisa de que los expertos humanos utilizan gran número de reglas heurísticas específicas en un determinado campo, las cuales son incorporadas al sistema. Por otro lado, las redes neuronales artificiales tratan de representar el conocimiento de un modo conexionista y adaptativo, replicando la estructura neuronal del cerebro humano. Lo fundamental en este paradigma es el aprendizaje mediante patrones o ejemplos.

Somos de la opinión de que introduciendo los sistemas de Inteligencia Artificial mencionados en las bases de datos de la contabilidad de las empresas, es posible ayudar a la investigación de los diferentes subsistemas de la empresa con grandes volúmenes de información, obteniendo una más amplia comprensión de la compleja realidad empresarial.

En el presente trabajo planteamos las innovaciones más recientes y destacables en los dos paradigmas citados: sistemas expertos y redes neuronales artificiales, primero describiendo ambos sistemas y luego revisando las áreas de trabajo. Finalmente, por su novedad, destacamos las aplicaciones más relevantes de los modelos neuronales que utilizan información financiera; es el caso del análisis del fracaso empresarial y la predicción en los mercados financieros, donde la complementariedad entre modelos estadisticos y neuronales está desempeñando un eficaz papel.

 

2. SISTEMAS BASADOS EN REGLAS. LOS SISTEMAS EXPERTOS.

Los sistemas expertos son la rama de la Inteligencia Artificial más empleada en la gestión empresarial. Su origen se sitúa a mediados de los años setenta, sin embargo, es a partir de la década de los ochenta cuando se desarrollan aplicaciones en toda su plenitud. Un sistema experto recopila en un programa informático el conocimiento de especialistas en una materia. Sus dos componentes principales son la base de conocimientos y un programa de inferencia. El saber de un experto se representa mediante el uso de símbolos, creando una base de conocimiento, posteriormente se diseña un programa de inferencia que manipula la información simbólica almacenada en dicha base de conocimiento mediante procesos de búsqueda.

La tarea de adquisición del conocimiento es una tarea compleja que precisa de varios actores. El ingeniero del conocimiento, especialista informático que extrae el conocimiento del especialista humano y lo plasma en el programa informático. El especialista humano, que es quien posee el conocimiento, la experiencia. El usuario del sistema, encargado de utilizar el sistema experto. También puede aparecer el ejecutor, si además de conocimiento hay que implantar en el sistema preferencias, creencias, gustos, etc. [Gallizo, J.L. y Moreno, J.M., 1992].

La empresa es un terreno ideal para la implantación de sistemas expertos. En efecto, casi todas las empresas disponen de un ordenador que realiza las funciones básicas de tratamiento de la información: contabilidad general, decisiones financieras, gestión de la tesorería, almacén, planificación, produción, etc., por otro lado, este trabajo implica manejar grandes volúmenes de información y realizar operaciones numéricas como las que diariamente se generan en la empresa para después tomar decisiones[1].

Podemos clasificar las aplicaciones de los SE en el área de la Administración de Empresas en varios apartados: auditoría, fiscalidad, planificación, análisis financiero y contabilidad financiera. De todos ellos es el campo de la auditoría el que más aplicaciones de sistemas expertos ha desarrollado: los SE ayudan en la labor de revisión de cuentas, decidiendo los programas a seguir, determinando los tipos de muestra y los tamaños, calculando los errores en que se puede incurrir al analizar grandes volúmenes de transacciones contables, desarrollando una revisión analítica y formulando juicios en la materia. En el trabajo fiscal, un campo con gran potencial de aplicación de los SE es la interpretación de reglas impositivas procedentes de la legislación tributaria donde se trate de adaptar la normativa en términos ventajosos para la empresa. En la planificación económica de la empresa, los sistemas expertos ayudan en la toma de decisiones, asesorando en temas de previsión financiera, control de gestón, análisis de desviaciones, etc. Igualmente, son útiles para analizar las cuentas anuales de las empresas: estados de situación, resultados y en general la información económico-financiera. También la contabilidad legal puede beneficiarse, al proporcionar el sistema experto una base normativa amplia para la preparación de las cuentas anuales o su revisión.

Uno de los grandes problemas a los que se enfrenta el analista es el gran caudal de información a manejar, que puede afectar negativamente a la toma de decisiones. Ante tal circunstancia los sistemas expertos pueden ser unos valiosos aliados, proporcionando una forma de controlar toda esa cantidad de datos. Los sistemas expertos recopilan los datos, los analizan y asimilan. Convierten grandes volúmenes de datos en información útil. En este sentido conviene distinguir un sistema experto de los simples programas de ordenador: también las hojas de cálculo, bases de datos y programas convencionales manejan habitualmente información y alivian la pesada tarea de realizar cálculos numéricos pero no incluyen procedimientos de representación del conocimiento.

Estos sistemas basados en reglas puede superar a la capacidad de síntesis humana, por ejemplo cuando se requiere analizar un gran volumen de datos en un corto espacio de tiempo. El experto humano se verá obligado a despreciar parte de la información desechando la que no considere relevante; sin embargo, el sistema experto, dada su mayor velocidad de proceso, puede analizar toda la información, sin que aparezca fatiga u otros efectos propios del ser humano que empeoran los resultados. Estos sistemas, convenientemente construidos, pueden también superar al experto humano cuando la decisión exige aplicar conocimientos de varios campos.

Pese a su innegable potencia y utilidad, los sistemas expertos presentan una serie de inconvenientes como son su programación y mantenimiento, la dificultad y el elevado coste en tiempo y dinero para extraer el conocimiento de los especialistas humanos, la poca flexibilidad a cambios o la dificultad que presenta la manipulación de información incompleta, inconsistente o errónea. Otro hecho importante a tener en cuenta es la existencia de problemas que no son resolubles algorítmicamente, o cuya solución mediante un sistema experto u otro método convencional no es suficientemente buena.

Autores como Hartvigsen (1992), que ha elaborado un sistema experto para el análisis de la solvencia de las empresas reconoce las limitaciones y dificultades que plantea la construcción de los sistemas expertos para el análisis financiero. No hay una teoría formal y perfectamente estructurada para examinar la información financiera de las empresas. Sin embargo tampoco hay un desconocimiento total del procedimiento a seguir. Para abordar este tipo de problemas difícilmente resolubles mediante los métodos convencionales o mediante sistemas expertos, que por otra parte no son exclusivos del análisis financiero se ha propuesto su combinación con otras herramientas de Inteligencia Artificial, como las redes neuronales que describimos a continuación.

 

3. LAS REDES NEURONALES ARTIFICIALES.

La computación programada, basada en reglas de decisión y algoritmos codificados en programas que se ejecutan sobre ordenadores digitales, ha dominado el procesamiento de la información en las últimas décadas. El avance de la Electrónica y las Ciencias de la Computación ha permitido que hoy en día podamos disponer sobre nuestra mesa de trabajo de ordenadores de gran potencia. Pese a ello, existen tareas que ni los grandes supercomputadores son capaces de resolver, o lo hacen de un modo poco eficiente, mientras que el cerebro lo viene haciendo desde hace millones de años con suma facilidad y eficiencia.

Por esta razón, los científicos volvieron la vista hacia el cerebro tratando de estudiarlo desde el punto de vista de la computación. Las diferencias que separan cerebro y ordenador son enormes. Un computador tradicional, tipo Von Neumann, es una máquina que ejecuta una serie de instrucciones de forma secuencial, siendo capaz de realizar complicadas operaciones lógicas y aritméticas de una forma muy rápida. La estructura del cerebro es radicalmente diferente. No está compuesto por un único microprocesador altamente complejo y eficiente, sino por miles de millones de ellos, las neuronas, que realizan de modo impreciso y relativamente lento un tipo de cálculo muy simple. Pese a ello, estos sistemas resuelven ciertas tareas como la visión o el control motor que manejan grandes cantidades de información redundante, defectuosa y cambiante como ninguna máquina que el hombre haya podido construir hasta la fecha.

En este proceso del pensamiento científico surgen los sistemas neuronales artificiales, con la idea de tomar las características esenciales de la estructura neuronal del cerebro para crear sistemas que lo mimeticen en parte, mediante sistemas electrónicos o mediante simulación por ordenador, aprovechando sus propiedades de cálculo. Estos sistemas están compuestos por multitud de procesadores simples que operan sobre la base de reconocimiento de patrones, y que pueden adquirir, almacenar y utilizar conocimiento experimental, obtenido a partir de ejemplos. Esta forma de adquirir el conocimiento es una de sus características más destacables: no se programa de forma directa, como en los sistemas expertos, sino que se adquiere a partir de ejemplos, por ajuste de parámetros de las neuronas mediante un algoritmo de aprendizaje. En cuanto al modo interno de trabajo las redes neuronales recuerdan más a los modelos estadísticos multivariantes.

Sistemas expertos y redes neuronales se asemejan en cuanto al objetivo de modelizar el conocimiento, pero son radicalmente opuestos en cuanto a cómo aspiran a conseguirlo. Como vemos, los sistemas expertos se acercarían más al razonamiento deductivo y las redes neuronales al inductivo. La gestión empresarial utiliza frecuentemente ambos esquemas de razonamiento, por lo que ambas técnicas tienen cabida. Además, ambos modelos son perfectamente compatibles, de forma que se pueden integrar en un único sistema, que se suele conocer como red experta. Probablemente este tipo de sistemas mixtos, si son capaces de recoger las ventajas de ambos modelos, conozcan un gran desarrollo en un futuro cercano.

Los elementos básicos de neurocomputación son las neuronas artificiales. Estas se agrupan en capas, constituyendo una red neuronal. Una o varias redes, más los interfaces con el entorno, conforman el sistema global. Un conjunto de capas constituyen una red neuronal, aunque también existen estructuras de una única capa. Una determinada red neuronal está confeccionada y entrenada para llevar a cabo una labor específica. Existen diferentes modelos de conexiones entre capas, en general se suelen distinguir dos básicos: las arquitecturas hacia adelante o feedforward y las realimentadas o feedback. En las arquitecturas feedforward, la información siempre se propaga hacia adelante. En las arquitecturas realimentadas, las señales pueden en ocasiones fluir hacia atrás a través de lazos de realimentación. Un sistema neuronal incluye una o varias redes neuronales, los interfaces de entrada y salida con el medio exterior, y puede incluir otros subsistemas no necesariamente de tipo neuronal. A modo de ejemplo, las redes expertas son simbiosis entre un sistema experto y una red neurona.

 

Fig 1. Modo de trabajo con redes neuronales.

El procedimiento para operar con redes neuronales queda reflejado en la figura 1. Originalmente la red neuronal no dispone de ningún tipo de conocimiento útil almacenado. Para que ejecute una tarea es preciso entrenar o enseñar a la red neuronal. El entrenamiento se realiza mediante patrones-ejemplo. Existen dos tipos de aprendizaje: supervisado y no supervisado. Si la red utiliza un tipo de aprendizaje supervisado debemos proporcionarle parejas de patrones entrada-salida y la red neuronal aprende a asociarlos. En terminología estadística equivale a los modelos en los que hay vectores de variables independientes y dependientes. Si el entrenamiento es no supervisado, únicamente debemos suministrar a la red los datos de entrada para que extraiga los rasgos característicos esenciales. Estas redes neuronales no supervisadas están relacionadas con modelos estadísticos como el análisis de conglomerados o las escalas multidimensionales.

Durante la fase de aprendizaje en la mayor parte de los modelos se produce una variación de los pesos sinápticos, es decir, de la intensidad de interacción entre las neuronas, lo que en terminología estadística equivale a calcular los coeficientes de las funciones de ajuste.

Los diferentes modelos neuronales se diferencian en el modelo de neurona, su organización, forma de las conexiones y el algoritmo de aprendizaje que emplea. Existen multitud de modelos y variantes, más de cincuenta, como son el modelo de Hopfield, el counter-propagation, la resonancia adaptativa o ART, el neocognitrón, etc. Para una clasificación detallada de los mismos, véase por ejemplo Ríos, Pazos, Brisaboa y Caridad (1991, pag 100).

 

4. AREAS DE APLICACION DE LOS SISTEMAS.

Las redes neuronales tratan de resolver de forma eficiente problemas que pueden encuadrarse dentro de tres amplios grupos: optimización, reconocimiento y generalización. Estos tres tipos engloban un elevado número de situaciones, lo que hace que el campo de aplicación de las redes neuronales en la gestión empresarial sea muy amplio.

En los problemas de optimización, se trata de determinar una solución que sea óptima. Generalmente se aplican redes neuronales realimentadas, como el modelo de Hopfield citado. En la gestión empresarial, son decisiones de optimización encontrar los niveles de tesorería, de existencias, de producción, construcción de carteras óptimas, etc.

En los problemas de reconocimiento, se entrena una red neuronal con inputs como sonidos, números, letras y se procede a la fase de test presentando esos mismos patrones con ruido. Este es uno de los campos más fructíferos en el desarrollo de redes neuronales y casi todos los modelos: perceptrón, redes de Hopfield, mapas de Kohonen, etc, han sido aplicados con mayor o menor éxito.

En los problemas de generalización, la red neuronal se entrena con unos inputs y el test se realiza con otros casos diferentes. Problemas típicos de generalización son los de clasificación y predicción.

Las redes neuronales son modelos matemáticos especializados que pueden aplicarse en dominios muy concretos. Las redes neuronales están mostrando su utilidad en muchos problemas reales. Los estudios empíricos muestran la eficiencia de las redes neuronales con datos basados en lógica difusa, patrones o rasgos ocultos para la mayoría de las técnicas incluida la capacidad humana, datos que exhiben no linealidad e información en la que se ha detectado caos, Masters (1993, pag 7).

La elección entre los diferentes sistemas de ayuda a la toma de decisiones depende del tipo de tarea a realizar, véase Laudon y Laudon (1988, pag 132). También el nivel al que se toman las decisiones afecta la elección del tipo de sistema más apropiado. Simon (1960) clasificó las decisiones en estructuradas y no estructuradas: las decisiones estructuradas son repetitivas, rutinarias y existe un procedimiento definido para abordarlas, por el contrario, en las decisiones no estructuradas el decisor debe proporcionar juicios y aportar su propia evaluación.

Más recientemente Gorry y Scott-Morton (1971) han propuesto un esquema que relaciona el tipo de decisión (estructurada, semiestructurada y no estructurada) y el nivel organizacional (control operativo, de gestión y estratégico) con la herramienta a utilizar. Lógicamente en el nivel operativo dominan las decisiones estructuradas, en el nivel de gestión las semiestructuradas y en el estratégico las no estructuradas, formando una diagonal. En la figura siguiente hemos actualizado este esquema incorporando las últimas tecnologías de la información, e incluso anticipando lo que puede ser un futuro próximo.

Fig 2. Las herramientas a utilizar según el tipo de decisión y el nivel organizativo.

(Elaboración propia a partir de Gorry y Scott-Morton (1971))

Se puede apreciar sobre la fig. 2 que en el nivel operativo y toma de decisiones estructurada dominan los sistemas informatizados convencionales como los programas de contabilidad financiera y de costes, los de elaboración de nóminas, y en general aquellas tareas mecánicas. Son los llamados Sistemas de Proceso de Transacciones (TPS) basados en programación algorítmica convencional.

El nivel operativo con decisiones semiestructuradas todavía está dominado por los programas convencionales, en lo que habría que incluir programas de control de tesorería, control de existencias y también las hojas de cálculo y sistemas gestores de bases de datos. Conforme las decisiones son menos estructuradas, empiezan a ser aplicables sistemas expertos y sistemas de ayuda a la toma de decisiones. Así, para la gestión financiera más básica, en la que además de realizar cálculos mecánicos: tipos de interés efectivo, cuotas de amortización de préstamos, etc, también hay que tomar decisiones que manejan información incompleta o precisan incorporar el conocimiento de un especialista humano. Finalmente, para el nivel de toma de decisiones menos estructuradas pueden incorporarse modelos neuronales: por ejemplo, asesorando en la concesión de las tarjetas de crédito de unos grandes almacenes o a qué clientes se les envía catálogos por correo.

Conforme el nivel organizativo avanza en el eje de las abcisas, las decisiones se hacen más complejas. Si las decisiones son estructuradas, como en el análisis de presupuestos y control, contabilidad analítica, análisis contable, etc, dominan los programas convencionales, quizá incorporando algún módulo experto. Este tipo de programas se denominan Sistemas de Gestión de Información o Management Information Systems (MIS). A medida que las decisiones son menos estructuradas se hacen más necesarios los sistemas expertos. En temas puntuales como la elaboración de presupuestos, la predicción de variables financieras como el beneficio, el cash-flow, podrían incorporarse modelos neuronales.

En el nivel estratégico son barridos los programas convencionales manteniéndose únicamente las hojas de cálculo, por su capacidad de simulación. Los llamados Executive Information Systems (EIS), o Sistemas Informativos para Ejecutivos dominan las decisiones menos estructuradas, con tareas como la planificación estratégica y de contabilidad directiva. Westland (1992) ha propuesto un modelo de red neuronal autoorganizada en estos sistemas informativos, que filtra la información relevante para cada ejecutivo ya que la sobrecarga informativa es uno de los principales problemas de estos sistemas al estar basados en correo electrónico. Finalmente, determinados modelos de redes neuronales podrían aplicarse en problemas de optimización.

En este esquema descrito, hemos situado el análisis de la información financiera en las decisiones semiestructuradas, en las que no hay una teoría general que pueda ser aplicada paso a paso, pero tampoco el análisis contable encaja en las decisiones completamente intuitivas o no estructuradas.

Los sistemas neuronales presentan ciertos inconvenientes. Uno importante es que habitualmente realizan un complejo procesamiento que supone millones de operaciones, por lo que no es posible seguir paso a paso el razonamiento que les ha llevado a extraer sus conclusiones. Sin embargo, en redes pequeñas, mediante simulación o por el estudio de los pesos sinápticos sí es posible saber, al menos, qué variables de las introducidas han sido relevantes para tomar la decisión. Falta todavía mucho por estudiar en el modo de operación de las redes neuronales.

Otro problema es que al ser una herramienta novedosa y en pleno desarrollo, no se trata de una disciplina con un cuerpo formal, coherente y establecido, por lo que el investigador se encuentra con muchos problemas a los que todavía no se ha encontrado solución.

 

5. UTILIZACION DE MODELOS NEURONALES EN AREAS DE INFORMACION FINANCIERA.

En noviembre de 1993, por iniciativa de la London Business School, se celebró en Londres la primera reunión internacional sobre aplicaciones de redes neuronales al tratamiento de la información financiera (First International Workshop on Neural Networks in the Capital Markets). Recientemente en congresos internacionales de áreas empresariales comienzan de forma esporádica a surgir aplicaciones desarrolladas con estos modelos. Son todavía muy pocos los artículos que se encuentran publicados en revistas internacionales, aunque Financial Analysts Journal o The Journal of Banking and Finance, están empezando a recoger artículos sobre aplicaciones de redes neuronales, alguno de ellos firmado por investigadores tan renombrados como E.I. Altman, véase Altman, Marco y Varetto (1994).

Los principales trabajos desarrollados con información financiera se agrupan en dos temas: análisis del fracaso empresarial y predicción en los mercados financieros. Ambos tipos de trabajos responden a dos de las principales tareas en las que se están aplicando las redes neuronales: clasificación y predicción, que como hemos visto anteriormente, son un caso particular de los problemas de generalización.

En la mayoría de estos trabajos se obtienen resultados excelentes con las redes neuronales. Pero hay que ser prudentes. Muchos de los trabajos descritos no comparan las redes neuronales con modelos estadísticos o sistemas expertos. Cuando lo hacen, en ocasiones no hay muestra y test, y al utilizar perceptrón multicapa, dada la excelente capacidad para representar todo tipo de funciones de este modelo, se obtienen resultados extraordinarios, sin que haya garantías de que al realizar un test los resultados fueran igualmente buenos.

Incluso cuando se posee muestra y test es posible que la selección del modelo estadístico no sea la más apropiada, ya que muchos modelos estadísticos parten de hipótesis y no son idóneos para todos los tipos de trabajo. No hay garantías de que se esté utilizando el mejor de los modelos estadísticos, como tampoco las hay de que se esté seleccionando la configuración de la red neuronal más apropiada en cuanto a número de neuronas en la capa oculta, funciones de transferencia, etc. Finalmente, tampoco hay garantías de que sólo se estén publicando los éxitos con redes neuronales y no los fracasos.

En Hawley, Johnson y Raina (1990), Medsker, Turban y Trippi (1992), Back y Sere (1993) y Cheng y Pike (1994) se describen las áreas de trabajo potenciales en Contabilidad y se hacen revisiones empíricas de los principales trabajos, clasificándose según diferentes criterios. Los libros "Neural Networks in Finance and Investing" de Trippi y Turban (1992) y "Neural Networks in the Capital Markets" de Refenes (1995) recogen una amplia selección de trabajos, algunos ya publicados con anterioridad en revistas o presentados en congresos y otros reimpresos.

En la revisión empírica que hacemos a continuación, hemos seleccionado aquellos trabajos que desde nuestro punto de vista tienen más interés, bien por su carácter de pioneros, bien por comparar con gran número de técnicas o por su calidad.

a) Estudios de Clasificación.

En los problemas de clasificación se trata de asignar a cada caso su clase correspondiente, a partir de un conjunto de ejemplos: abarca problemas como el estudio del fracaso empresarial, la concesión de préstamos, la calificación de obligaciones, etc.

* El fracaso empresarial.

Los estudios de predicción de crisis empresariales son ya clásicos en la investigación empírica. En general se trata de seleccionar un conjunto de variables, generalmente ratios financieros y utilizar un modelo matemático que discrimine o detecte los rasgos que caracterizan a las empresas que tienen éxito de las que fracasan. Son muchos los modelos estadísticos propuestos y dadas las propiedades de los sistemas neuronales de actuar como clasificadores de información y reconocimiento de patrones, tempranamente se aplicaron a esta importante materia de investigación.

El trabajo de Bell, Ribar y Verchio (1990) es un estudio pionero en la aplicación de redes neuronales al fracaso empresarial. En este trabajo se compara el perceptrón multicapa con el análisis lógit, tomando una amplia muestra de mil ocho bancos, de los que ciento dos eran quebrados. Otra muestra de mil cincuenta y nueve bancos sirve para el test, siendo ciento treinta y uno los bancos quebrados. Los resultados son muy similares, con una pequeña ventaja a favor del neuronal en la clasificación de empresas que se encuentran en la zona de indeterminación.

Odom y Sharda (1992) realizan otro estudio sobre predicción de quiebras concretamente analizando cinco ratios de ciento veintinueve empresas estadounidenses, extrayendo la información del Moody's Industrial Manual correspondiente a 1975-1982. Rahimian, Singh, Thammachote y Virmani (1992) también aplican diferentes modelos neuronales a estos mismos datos. En ambos estudios se comparan los resultados obtenidos con análisis discriminante, perceptrón simple, perceptrón multicapa y la red neuronal athena. Athena es un modelo neuronal descrito en Koutsougeras y Papachristou (1988), que utiliza entrenamiento supervisado y se basa en una medida de entropía. Los resultados son favorables a los modelos neuronales frente al análisis discriminante.

La principal novedad del trabajo de De Miguel, Revilla, Rodríguez y Cano (1993) es que aplican una red neuronal compleja, la Fuzzy ARTMAP, modelo de red neuronal supervisada que consta de dos módulos ART con aprendizaje no supervisado, descrita en Carpenter, Grossberg, Marzukon, Reynolds y Rossen (1992). Comparan esta red con cuatro modelos estadísticos para predecir el fracaso empresarial, aplicándolos a la bien conocida crisis del sector bancario español de los años ochenta. Toman los datos del trabajo previo de uno de los autores, Rodríguez (1989), que utilizaba análisis lógit. Los resultados son favorables al modelo neuronal.

Altman, Marco y Varetto (1994) aplican análisis discriminante, lógit y perceptrón multicapa en una aplicación real para la Centrale dei Bilanci italiana. Los resultados no son concluyentes, ya que encuentran que las ventajas e inconvenientes de este modelo neuronal frente a los estadísticos se encuentran equilibradas e invitan a la realización de nuevos estudios empíricos.

Martín y Serrano (1994 y 1995) proponen un modelo híbrido que combina el modelo neuronal de mapas autoorganizados de Kohonen con otros modelos estadísticos y neuronales que obtienen una puntuación o Z score. Una vez creado el mapa autoorganizado se superpone la puntuación obtenida por la empresa, según el análisis discriminante o el perceptrón multicapa. El modelo, más allá del tradicional análisis Z, proporciona información sobre las características financieras más destacadas de la empresa analizada así como el tipo de empresa a la que se asemeja.

* Evaluación del comportamiento de las acciones en el mercado de valores.

En este tipo de estudios también se utilizan como variables los ratios financieros y se trata de evaluar a las empresas. Sin embargo la clasificación no es la anterior en empresas quebradas y solventes, sino que es el mercado de valores quien proporciona la variable independiente, teniendo en cuenta el comportamiento positivo o negativo de las rentabilidades obtenidas por las acciones.

Yoon y Swales (1991) y Yoon, Swales y Margavio (1993) tratan de discriminar a las empresas en dos grupos, según sus acciones hayan tenido o no un buen comportamiento en los mercados financieros. Los datos incluyen información contable cuantitativa y cualitativa, pues examinan la carta que el presidente de la compañía envía a los accionistas. Comparan los resultados del análisis discriminante con los del perceptrón multicapa. El perceptrón sin capa oculta obtenía un 65% de acierto, resultado similar al del análisis discriminante. Al añadir una capa oculta, mejoran los resultados situándose al 76%. El añadir otra capa oculta no mejora significativamente la eficacia del modelo.

Aaltonen y Östermark (1993) comparan los tres modelos estadísticos más utilizados en la predicción del fracaso empresarial: análisis discriminante, lógit y particiones recursivas con el perceptrón multicapa. En este estudio la variable dependiente, es decir el calificar a la empresa positiva o negativamente, se deriva de los mercados financieros, según el valor estimado de la beta. La beta de un valor es una medida del riesgo sistemático, es decir atribuible al movimiento del mercado en su conjunto y se calcula mediante regresiones que relacionan los movimientos del título con los del índice general de precios del mercado. Las empresas son agrupadas a priori como de alto o bajo riesgo dependiendo de si el valor de su beta está por encima o por debajo de la media de la beta calculada para todas las empresas y todos los años. En los resultados se produce un empate, ya que todos los modelos fallan en el test en las mismas tres observaciones.

* Concesión de préstamos

Metodológicamente son muy similares los trabajos de concesión de préstamos a los de predicción de la quiebra. El conceder o no un préstamo es también una decisión no estructurada y la diferencia radica en que la información disponible no se extrae de bases de datos comerciales o de los registros sino que es información que suministra el propio banco o entidad financiera que encarga el estudio. En este caso la información no se compone exclusivamente de ratios financieros, sino que también hay otro tipo de datos, como por ejemplo quién es el director de la compañía, si es un cliente nuevo, etc.

Marose (1990) describe una aplicación híbrida del Chase Manhattan Bank para la concesión de préstamos. Es un sistema mixto que incorpora herramientas estadísticas y un perceptrón multicapa. El Chase Manhattan Bank concede préstamos nuevos cada año por valor de trescientos millones de dólares e hizo una apuesta muy fuerte en el desarrollo de un modelo informatizado basado en el reconocimiento de patrones para las decisiones de concesión de préstamos. El programa se encuentra en un ordenador central al que los usuarios pueden acceder desde ordenadores compatibles, vía modem. Lógicamente algunos procedimientos se encuentran patentados por lo que es difícil conocer todos los módulos que integran el sistema. PCLM, que son las siglas de Public Company Loan Model proporciona extensos informes, gráficos, puntos fuertes y débiles de la compañía, así como una clasificación de las empresas en buenas, malas y críticas.

Un trabajo más modesto, pero que muestra que con programas comerciales también se pueden desarrollar aplicaciones híbridas complejas, es el de Barker (1990), que desarrolla en su artículo una red experta para la concesión de préstamos. Su modelo incorpora una concha de sistema experto, Knowledge Pro, un simulador de red neuronal, NeuroShell y el gestor de bases de datos dBase III+. Los tres programas comparten ficheros, de forma que al introducir los datos de la empresa el sistema experto analiza los ratios financieros y la red neuronal realiza los correspondientes cálculos.

Deng (1993) propone un modelo mixto que integra un módulo de sistema experto que extrae de forma automática las reglas a partir de una base de datos y un perceptrón multicapa que interacciona con el anterior. Las variables de que parte son cuantitativas y cualitativas: algunas se extraen del balance y cuenta de resultados y el resto informan de la gerencia y las relaciones pasadas del cliente con el banco. Finalmente agrupa las empresas en tres categorías: bajo riesgo, moderado y alto. Los resultados son buenos pero no los compara con los obtenidos por otros modelos.

* Calificación de obligaciones

La calificación de obligaciones, bonos municipales, etc, es también un problema de clasificación. Las empresas e instituciones públicas emiten instrumentos financieros como bonos u obligaciones en busca de dinero para financiar sus inversiones. Pero, lógicamente, hay un riesgo de que las empresas no devuelvan este dinero y resulta interesante obtener ratings o calificaciones de estos bonos. Existen agencias que se dedican a ello, siendo las más famosas Standard and Poor's (S&P) y Moody's. Estas agencias examinan todo tipo de aspectos de las empresas: la situación financiera, la información contable, mantienen entrevistas con la gerencia, etc, y califican las emisiones con unos baremos, usualmente combinaciones de letras y números. Por ejemplo, Aaa, significa en la terminología de la agencia Moody's, que la capacidad para devolver el principal y pagar los intereses es muy elevada. Para una descripción detallada de las agencias de calificación véase por ejemplo Charlton y Prescott (1993). A pesar de que, como es sabido, las agencias se sirven de información cuantitativa y cualitativa para emitir sus valoraciones, la investigación académica ha tratado de averiguar si exclusivamente con información publicada se pueden obtener buenas aproximaciones de las calificaciones que otorgan las agencias. Horrigan (1966) utiliza seis ratios financieros y clasifica correctamente el 58% de los casos.

Uno de los trabajos pioneros en la calificación de obligaciones con redes neuronales es el de Dutta y Shekhar (1988) y Dutta, Shekhar y Wong (1994), quienes aplican perceptrón multicapa y regresión lineal, comparando los resultados con los obtenidos por la agencia Standard & Poors. Utilizan información de cuarenta y siete compañías, reservando diecisiete para el test. Los resultados son claramente favorables al modelo neuronal, ya que en el test, clasifican correctamente hasta un 88,3% de los bonos, frente a un 64,7% de la regresión lineal. Su estudio muestra las limitaciones de los modelos lineales en este tipo de trabajo. Utans y Moody (1991) hacen un trabajo similar al de Dutta y Shekhar sobre calificación de obligaciones.

Surkan y Singleton (1990) estudian también la calificación de obligaciones con perceptrón multicapa. La información está tomada de un estudio previo que aplica análisis discriminante a los bonos de dieciocho compañías telefónicas estadounidenses. En total son ciento veintiséis los casos y siete las variables, todas ellas extraidas de los estados financieros de las empresas. La agencia que elabora sus ratings es Moody's. En este trabajo estudian el efecto de introducir nuevas capas ocultas en el modelo, probando diferentes configuraciones. Aunque los mejores resultados los obtienen con un modelo con veinte neuronas en la capa oculta, el modelo que tenía sólo cinco obtiene resultados muy similares, con lo que los autores concluyen en que el problema tiene una dimensionalidad interna de cinco o inferior. De la comparación con el análisis discriminante los resultados son muy superiores en la red neuronal, ya que en la red se obtienen clasificaciones correctas que varían entre el 45 y el 90%, mientras que en discriminante el rango de acierto fluctúa entre el 38 y 47%.

* Otras trabajos de clasificación.

Una aplicación relacionada con la auditoría es la de Hansen, Mc Donald y Stice (1992). El objetivo del estudio es tratar de predecir la opinión del auditor. Emplean doce variables que en anteriores estudios como el de Mutchler (1985) se habían revelado útiles para ese fin. Su estudio compara el perceptrón multicapa con el algoritmo de ramificación ID3 y análisis lógit. El modelo neuronal y el lógit obtienen resultados muy similares, incluso mejores en el lógit. Otra aplicación relacionada con la auditoría es la de Coakley y Brown (1993), quienes aplican el perceptrón multicapa en el procedimiento analítico del trabajo del auditor, en sustitución de otros modelos estadísticos.

Otro tipo de trabajos estudian la discrecionalidad de la gerencia para la toma de decisiones. Concretamente, el trabajo de Liang, Chandler, Han y Roan (1992) encuadrado en los trabajos de elección contable estudia el método elgido para contabilizar las existencias: FIFO o LIFO. Hay varias teorías que tratan de justificar el que una empresa elija uno u otro método, descritas en Lee y Hsieh (1985). Entre otras, el ahorro de impuestos, el impacto sobre los mercados de capitales, el presentar mayores o menores beneficios, jugando con el margen que ofrece la flexibilidad de las normas contables. Como problema típico de clasificación, ha sido abordado con numerosos modelos multivariantes. En el trabajo citado se utiliza perceptrón multicapa, comparando los resultados con ID3 y próbit. El modelo neuronal clasifica mejor los datos, sobretodo al introducir variables nominales, como el sector al que pertenece la empresa.

 

b) Estudios de Predicción.

La predicción ha sido una de las aplicaciones que más pronto despertaron el interés de los estudiosos de las redes neuronales. En este tema los resultados no son concluyentes por dos razones: cuando las predicciones las hacen científicos que provienen del campo de las redes neuronales descuidan muchos aspectos estadísticos y viceversa. Además, bajo el epígrafe predicción se engloban estudios muy diferentes: no todas las curvas son iguales en cuanto a forma y tamaño, presencia o no de efectos estacionales, de no linealidad, predicción a corto o largo plazo, etc. Chatfield (1994) comenta que las redes neuronales se están comportando bien en predicción a largo plazo con componentes no lineales, en cambio, no están claras las mejorías observadas en series cortas y estacionales, como son típicas en las predicciones de ventas. Lo cierto es que este autor, como la mayoría, recomienda no hacer caso de las exageraciones e invita a realizar trabajos serios que indiquen en qué tipos de estudios y bajo qué condiciones las redes neuronales son más apropiadas.

* Análisis Técnico.

El análisis técnico pretende predecir las cotizaciones a partir de la evolución histórica de precios y volúmenes de negociación. El primer artículo sobre redes neuronales que manejan información financiera fue realizado por White (1988), quien estudió la predicción de los precios de las acciones con un modelo de red neuronal. El modelo predecía mejor que el modelo de series temporales que utilizaba, un modelo lineal autorregresivo. El perceptrón multicapa es utilizado como análisis técnico, sin incluir variables fundamentales.

Posteriormente la predicción de la cotización de las acciones, del tipo de cambio y de otras variables económicas ha sido uno de los temas más atractivos para los investigadores, pudiendo referenciar gran cantidad de trabajos. Así, Kimoto, Asakawa, Yoda y Takeoka (1990), Kamijo y Tanigawa (1990), Ormerod y Walker (1990), Varfis y Versino (1990), Bergerson y Wunsch (1991), Sharda y Patil (1992), Refenes (1992), Hoptroff (1993) y un largo etcétera.

* Análisis Fundamental.

El análisis fundamental trata de valorar los factores económicos más importantes del entorno y contempla la evolución económico-financiera de las empresas. Wong, Wang, Goh y Quek (1992) diseñan una red neuronal borrosa que combina diferentes herramientas de Inteligencia Artificial para obtener una cartera óptima de acciones. Concretamente su modelo es una red neuronal fuzzy. Consta de tres módulos: el primero contiene treinta y dos reglas del tipo si-entonces proporcionadas por especialistas humanos, el segundo un procesador de reglas fuzzy y el tercero un perceptrón multicapa. El modelo utiliza información del mercado de valores, así como ratios financieros. En el artículo se realiza un test con ochocientas empresas, con el objetivo de predecir las rentabilidades de las acciones, obteniendo resultados satisfactorios.

Refenes, Azema-Barac y Treleaven (1993) describen un modelo de construcción de carteras eficientes y colocación de activos en siete mercados financieros. Hay una serie de reglas establecidas que restringen las cantidades máximas a repartir en cada mercado. La red neuronal utiliza información de los mercados financieros, tipos de interés, precio del petróleo, del oro y una serie de parámetros que no dice el artículo por estar registrados. Los resultados, comparados con otras carteras son muy satisfactorios.

 

6. RESUMEN Y CONCLUSIONES.

El nacimiento de la Inteligencia Artificial se sitúa en los años cincuenta; en esa fecha la informática apenas se había desarrollado, y ya se planteaba la posibilidad de diseñar máquinas inteligentes. Hoy en día esta ciencia asiste a un cambio de paradigma y se habla de vida artificial, algoritmos genéticos, computación molecular o redes neuronales. En algunas de estas ramas los resultados teóricos van muy por encima de las realizaciones prácticas.

Los sistemas expertos son la rama más conocida de la Inteligencia Artificial. La forma en que representan el conocimiento, habitualmente mediante símbolos, es apropiada cuando es posible extraer un conjunto de reglas y normas. En la vasta ciencia empresarial, existen subdominios en los que es fácil o al menos posible extraer una serie de reglas y otros en los que es menos factible. El análisis financiero es uno de ellos. No existen reglas con rango de norma, conviven recetas extraidas de la práctica empresarial con otras obtenidas mediante análisis empíricos. Es por lo tanto un reto elaborar un sistema experto de diagnóstico empresarial.

Las redes neuronales artificiales son un paradigma computacional que trata de resolver tareas que la computación algorítmica tradicional e Inteligencia Artificial convencional no han resuelto de un modo suficientemente satisfactorio. Tareas tales como el reconocimiento de patrones, problemas de optimización o clasificación. En las redes neuronales artificiales el conocimiento no se programa de forma directa en la red sino que se adquiere por medio de una regla de aprendizaje por ajuste de parámetros mediante ejemplos. Como vemos es un método inductivo, que recuerda más a los modelos estadísticos que a los sistemas expertos, la otra gran rama de la Inteligencia Artificial. Diversas parcelas de la gestión empresarial utilizan frecuentemente el método inductivo, entre ellas el análisis financiero, por lo que se justifica conocer lo que las redes neuronales nos pueden ofrecer. Quizá una solución pragmática sea utilizar sistemas mixtos que incorporen un módulo de sistema experto con sus reglas junto a otros módulos estadísticos o neuronales.

En cuanto a las áreas de trabajo posibles, dependen del tipo de decisión, estructurada o no y del nivel organizativo, según sea operativo, de gestión o estratégico. En general las redes neuronales pueden cubrir un hueco importante en las decisiones no estructuradas, debido a esa capacidad de encontrar relaciones complejas entre los patrones de entrada. No son tan apropiadas en tareas muy estructuradas, en las que creemos que es más recomendable utilizar programas informáticos convencionales o sistemas expertos.

Los primeros trabajos con redes neuronales e información contable fueron realizados por ingenieros o en general personas ajenas a la economía. Ultimamente empiezan a ser habituales en los congresos y revistas especializadas de economía los estudios realizados con redes neuronales. En general estos trabajos tratan problemas de clasificación y predicción: el fracaso empresarial, el diseño de modelos de concesión de préstamos, de calificación de obligaciones, de elección del método contable, el análisis técnico y el análisis fundamental han sido los temas preferidos por los investigadores.

Los resultados de estos estudios, aunque prometedores, por su naturaleza empírica no son concluyentes y casi todos ellos invitan a continuar realizando más estudios empíricos que muestren en qué problemas y bajo qué condiciones las redes neuronales pueden ser una solución más eficiente que los modelos utilizados habitualmente.

BIBLIOGRAFIA.

Aaltonen, J. y Östermark, R. (1993): "Financial Risk Classification of Finnish Listed Companies by Accounting Data", 16th Congress of the European Accounting Association, abril 1993, Turku, Finlandia.

Altman, E.I.; Marco, G. y Varetto, F. (1994): "Corporate Distress Diagnosis: Comparisons using Linear Discriminant Analysis and Neural Networks (the Italian Experience)", Journal of Banking and Finance, vol 18, pag 505-529.

Back, B. y Sere, K. (1993): "Neural Networks in Accounting Applications", 16th Annual Congress of the European Accounting Association, abril 1993, Turku, Finlandia.

Barker, D. (1990): "Analyzing Financial Health: Integrating Neural Networks and Expert Systems", PCAI, May-June 1990, pag 24-27 y publicado en Neural Networks in Finance and Investing. Ed. Trippi y Turban. Probus Publishing Company, 1992, Chicago.

Bell, T.B.; Ribar, G.S. y Verchio, J.R. (1990): "Neural Nets versus Logistic Regression: A Comparison of Each Model's Ability to Predict Commercial Bank Failures", Proceedings of the 1990 Deloitte & Touche / University of Kansas, Symposium on Auditing Problems, pag 29-53.

Bergerson, K. y Wunsch, D.C. (1991): "A Commodity Trading Model Based on a Neural Network-Expert System Hybrid", Proceedings of the IEEE International Conference on Neural Networks, pag I289-I293, Seattle y publicado en Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, 1992, Chicago.

Carpenter, G.A.; Grossberg. S.; Marzukon, N.; Reynolds, J.H. y Rossen, D.B. (1992): "Fuzzy ARTMAP: A Neural Network Architecture for Incremental Supervised Learning of Analog Multidimensional Maps", IEEE Transactions on Neural Networks, vol 3, pag 689-713.

Coakley, J.R. y Brown, C. (1993): "Using Artificial Neural Networks in the Analytical Review Process", Intelligent Systems in Accounting, Finance and Management, January 1993.

Charlton, M. y Prescott, C. (1993): "Las agencias de calificación: su desarrollo y su contribución a los mercados financieros", Papeles de Economía Española, n. 54, pag 268-285.

Chatfield, C. (1994): "Discussion of the Paper by Ripley: Neural Networks and Related Methods for Classification", Journal of the Royal Statistical Society, B, 56, pag 446.

Cheng, N.S. y Pike, R.H. (1994): "Neural Networks: Applications and Promise for Accounting and Finance". 17th Congress of the European Accounting Association, abril 1994, Venecia, Italia.

De Miguel, L.J.; Revilla, E.; Rodríguez, J.M. y Cano, J.M. (1993): "A Comparison between Statistical and Neural Networks-based Methods for Predicting Bank Failures", Proceedings of the IIIth International Workshop on Artificial Intelligence in Economics and Management, August 1993, Portland, Oregon.

Deng, P-S. (1993): "Automatic Knowledge Acquisition and Refinement for Decision Support: A Connectionist Inductive Inference Model", Decision Sciences, vol 24, n. 2, pag 371-393

Dutta, S. y Shekhar, S. (1988): "Bond Rating: A Non-Conservative Application of Neural Networks", Proceedings of the IEEE International Conference on Neural Networks, pag II443-II450 y publicado en Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, 1992, Chicago.

Dutta, S.; Shekhar, S. y Wong, W.Y. (1994): "Decision Support in Non-conservative Domains: Generalization with Neural Networks", Decision Support Systems, vol 11, pag 527-544.

Fortuna, J.M.; Busto, B. y Sastre, J.M. (1991): "Los Sistemas Expertos: fundamentos y aplicaciones a la Contabilidad", Partida Doble n. 17, noviembre 1991, pag 40-46.

Gallizo, J.L. y Moreno, J.M. (1992): "Towards Integral Decisional Systems in Management Control", 15th Annual Congress of the European Accounting Association, abril 1992, Madrid.

Gorry, G.A. y Scott-Morton, M.S. (1971): "A Framework for Management Information Systems", Sloan Management Review, vol 13, n. 1, fall 1971.

Hansen, J.V.; McDonald, J.B. y Stice, J.D. (1992): "Artificial Intelligence and Generalised Qualitative Response Models: An Empirical Test on Two Audit Decision-Making Domains", Decisison Science, vol 23, pag 708-723.

Hartvigsen, G. (1992): "Limitations of Knowledge-Based Systems for Financial Analysis in Banking", Expert Systems with Aplications, vol 4, pag 19-32.

Hawley, D.D.; Johnson, J.D. y Raina, D. (1990): "Artificial Neural Systems: A New Tool for Financial Decision-Making", Financial Analysts Journal, November-December 1990, pag 63-72.

Hoptroff, R.G. (1993): "The Principles and Practice of Time Series Forecasting and business Modelling Using Neural Nets", Neural Computing & Applications, vol 1, n. 1, pag 59-66.

Horrigan, J.O. (1966): "The Determination of Long Term Credit Standing with Financial Ratios", Empirical Research in Accounting: Selected Studies, Journal of Accounting Research.

Kamijo, K. y Tanigawa, T. (1990): "Stock Price Pattern Recognition: A Recurrent Neural Network Approach", Proceedings of the IEEE International Joint Conference on Neural Networks, pag I215-I221 y publicado en Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, 1992, Chicago.

Kimoto, T.; Asakawa, K.; Yoda, M. y Takeoka, M. (1990): "Stock Market Prediction System with Modular Neural Networks", Proceedings of the IEEE International Joint Conference on Neural Networks, pag I1-I6 y publicado en Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, 1992, Chicago.

Koutsougeras, C. y Papachristou, G. (1988): "Learning Discrete Mappings. Athena's Approach", IEEE, CH 2636, September 1988, pag 31-36.

Laudon, K.C. y Laudon, J.P. (1988): Management Information Systems: A Contemporary Perspective. Macmillan Publishing Company.

Lee, C. y Hsieh, D. (1985): "Choice of Inventory Accounting Methods: Comparative Analysis of Alternative Hypotheses", Journal of Accounting Research, autumn 1985, pag 468-485.

Liang, T-P.; Chandler, J.S.; Han, I. y Roan, J. (1992): "An Empirical Investigation of some Data Effects on the Classification Accuracy of Probit, ID3, and Neural Networks", Contemporary Accounting Research, vol 9, fall 1992, pag 306-328.

Marose, R.A. (1990): "A Financial Neural-Network Application", A. I. Expert, May 1990, pag 50-53 y publicado en Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, 1992, Chicago.

Martín del Brío, B. y Serrano, C. (1993): "Self-Organizing Neural Networks for the Analysis and Representation of Data: Some Financial Cases". Neural Computing & Applications, Springer Verlag, vol 1, pag 193-206.

Martín del Brío, B. y Serrano, C. (1995): "Self-Organizing Neural Networks: The Financial State of Spanish Companies". Neural Networks in the Capital Markets, Ed Refenes, John Wiley & Sons, Capítulo XXIII.

Masters, T. (1993): Practical Neural Network Recipes in C++. Academic Press, Inc, Harcourt Brace Jovanovich, Publisers, Boston.

McCartthy, W. (1982):

Medsker, L. Turban, E. y Trippi, R.R. (1992): "Neural Network Fundamentals for Financial Analyst", en Neural Networks in Finance and Investing. Ed. Trippi y Turban. Probus Publishing Company, Chicago.

Moreno, J.M.; Aguarón,J.; Gallizo, J.L. y Mata, J. (1991): "SECOCET: un sistema soporte de decisiones experto para el control de costes de una empresa de transformación", Partida Doble, n. 18, diciembre 1991, pag. 61-72.

Mutchler, J.F. (1985): "A Multivariate Analysis of the Auditor's Going-concern Opinion Decision", Journal of Accounting Research, vol 23, n. 2, pag 668-682.

Odom, M. D. y Sharda, R. (1992): "A Neural Network Model for Bankruptcy Prediction", Proceedings of the IEEE International Conference on Neural Networks, pag II163-II168, San Diego, CA y publicado en Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, 1992, Chicago.

O'Leary, D. (1987):

Ormerod, P. y Walker, T. (1990): "Neural Networks and the Monetary Base in Switzerland", Neural Networks for Statistical & Economic Data, Dublin, diciembre 1990.

Rahimian, E.; Singh, S.; Thammachote, T. y Virmani, R. (1993): "Bankruptcy Prediction by Neural Network", en Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, Chicago.

Refenes, A.N. (1992): "Constructive Learning and its Application to Currency Exchange Rate Forecasting", en Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, 1992, Chicago.

Refenes, A.N. (1995): Neural Networks in the Capital Markets, John Wiley & Sons, Chichester.

Refenes, A.N.; Azema-Barac, M. y Treleaven, P.C. (1993): "Financial Modelling Using Neural Networks", en Liddell H. Ed. Commercial Applications of Parallel Computing. UNICOM.

Ríos, J.; Pazos, A.; Brisaboa, N.R. y Caridad, S. (1991): Estructura, Dinámica y Aplicaciones de las Redes Neuronales Artificiales. Editorial Centro de Estudios Ramón Areces, S. A., Madrid.

Rodríguez, J.M. (1989): "The Crisis in Spanish Private Banks: A logit Analysis", Finance, vol 10, n. 1, pag 69-85.

Sánchez Tomás, A. (1991): "Sistemas Expertos en Contabilidad", Técnica Contable, n. 514, octubre 1991, pag 534-545.

Sánchez Tomás, A. (1993): "Sistemas Expertos en Contabilidad de Gestión", Comunicación V Encuentro Asociación Española de Profesores Universitarios de Contabilidad, mayo 1993, Sevilla.

Sharda, R. y Patil, R.B. (1992): "A Connectionism Approach to Time Series Prediction: An Empirical Test", Journal of Intelligent Manufacturing, Chapman Hall, y publicado en Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, 1992, Chicago.

Sierra, G.; Bonson, E.; Nunez, C. y Orta, M. (1995): Sistemas Expertos en Contabilidad y Administración de Empresas, Ed ra-ma, Madrid, 1995.

Simon, H.A. (1960): The New Science of Management Decision. Harper & Row, New York.

Surkan, A.J. y Singleton, J.C. (1990): "Neural Networks for Bond Rating Improved by Multiple Hidden Layers", Proceedings of the IEEE International Conference on Neural Networks, pag II163-II168 y publicado en Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, 1992, Chicago.

Trippi, R.R. y Turban, E. (1992): Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, Chicago.

Utans, J. y Moody, J. (1991): "Selecting Neural Networks Architectures for Prediction Risk: Application to Corporate Bond Rating Prediction", Proc. of the I Int. Conf. on Artificial Intelligence applications in Wall Street. IEEE. Comp Press, Los Alamillos, CA.

Varfis, A. y Versino, C. (1990): "Neural Networks For Economic Time Series Forecasting", Neural Networks for Statistical and Economic Data, INNSED, Dublin, Ireland.

Westland, J.C. (1992): "Self-organizing Executive Information Networks", Decision Support Systems, vol 8, pag 41-53.

White, C. (1983):

White, H. (1988): "Economic Prediction using Neural Networks: The case of IBM Daily Stock Returns", Proceedings of the IEEE International Conference on Neural Networks, pag II459-II482 y publicado en Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, 1992, Chicago.

Wong, F.S.;Wang, P.Z.; Goh, T.H. y Quek, B.K. (1992): "Fuzzy Neural Systems for Stock Selection", Financial Analysts Journal, enero-febrero 1992, pag 47-52

Yoon, Y. y Swales, G. (1991): "Predicting Stock Price Perfomance: A Neural Network Approach", Proceedings of the IEEE 24th Annual Hawaii International Conference of Systems Sciences pag 156-162 y publicado en Neural Networks in Finance and Investing. Ed Trippi y Turban. Probus Publishing Company, 1992, Chicago.

Yoon, Y.; Swales, G. y Margavio, T.H. (1993): "A Comparison of Discriminant Analysis versus Artificial Neural Networks", Journal Operational Research Society, vol 44, n. 1, pag 51-60.

Zaccagnini, J.L.; Alonso, G. y Caballero, A. (1992): "Inteligencia Artificial: de innovación prometedora a realidad práctica", Partida Doble, n. 29, diciembre 1992, pag 22-30.