Análisis financiero


1) Concepto

¿Qué le interesa a un miembro de un departamento de finanzas, tesorería, un analista financiero, etc. conocer de Internet? Casi todo, porque está cambiando su forma de trabajo. Puede gestionarse la mayor parte de la operativa financiera de la empresa utilizando herramientas de Internet. Por ejemplo, en el área de:

  • Inversiones: (compra-venta online de títulos, fondos de inversión...)
  • Tesorería: (consultas de tipos de interés EURIBOR, LIBOR..., tipos de cambio, cotizaciones de metales...)
  • Banca electrónica, (cuentas, créditos, transferencias)
  • Informes comerciales (de empresas nacionales y extranjeras)
  • Consulta de cotizaciones de mercados financieros.
  • Información y solicitud de subvenciones, concursos.
  • Noticias financieras y de economía
  • Blogs financieros y rumores

Algunas direcciones:

 

Informe financiero completo de una empresa


Estamos interesados en hacer un informe completo sobre las empresas Yahoo, Amazon, Microsoft y Telefónica Queremos un informe que incluya información financiera, bursátil, comparado con el sector, análisis de sus ratios financieros, gráficos, etc. En Investorguide (http://www.investorguide.com) al introducir el ticker de la empresa YHOO, ELE, AMZN o TEF además de la información suministrada por la Investorguide genera un cuadro de mando con enlaces a los mejores servicios de otros servidores de Internet (cotizaciones, noticias, gráficos, rumores...). Pruebe con Google (http://finance.google.com), Yahoo (http://finance.yahoo.com), MSN (http://moneycentral.msn.com), CNN (http://money.cnn.com), Hoovers (http://www.hoovers.com) e Invertia (http://www.invertia.com).

 


EJERCICIO: Realice un informe financiero sobre Amazon (AMZN), Yahoo (YHOO), Microsoft (MSFT) y Telefonica (TEF).

2) Gestión de carteras

dGestión de carteras con Jstock


Además de los portales financieros, existen docenas de programas algunos gratuitos, como Jstock, que permite con un retardo de 15 minutos acceder a los principales valores de 25 mercados consolidados pero también los emergentes como Brasil o la India. Gestionar carteras, obtener gráficos, chatear con usuarios, etc. [descarga local]

EJERCICIO: Obtenga datos actualizados de Brasil. Obtenga un gráfico de la empresa Sotogrande.

Spoiler: Highlight to view
  

[Country] seleccionar país.

[Edit] -> [Add stocks] Select entire stock market.

Posicionando el cursor sobre cualquier valor, click con el botón derecho y opción [History].

g

En España elija la empresa Sotogrande

h


3) Data mining

No es lo mismo gestionar una pequeña base de datos de clientes que disponer de una con varios millones. Incluso un supermercado de tamaño medio dispone de millones de datos si acumula las ventas diarias.

Para las empresas internacionales extraer información útil de millones de datos es una necesidad. Ahí intervienen las técnicas de minería de datos o Data Mining.

Se utilizan tanto para descubrir patrones de comportamiento en consumidores, o encontrar cuales son los mejores y peores clientes de una compañía de seguros o un banco.

La herramienta de SPSS se llama Clementine: (http://www.spss.com/data_mining/).

Como metodología se utilizan normalmente modelos predictivos, de segmentación, de agrupamiento y de afinidad, por lo que se aplican herramientas matemáticas multivariantes -estadísticas clásicas o procedentes de la inteligencia artificial-.

 

¿Que relación hay entre pañales, cervezas, varones y día de la semana?


Destacan, por ejemplo, como modelos predictivos las regresiones o modelos de red neuronal supervisada. Técnicas de agrupamiento habituales son el análisis cluster y los modelos neuronales de mapas autoorganizados. Para realizar segmentaciones, son frecuentes los análisis discriminantes y la regresión logística. Para detectar la afinidad, es decir, que una persona que alquila una película de vídeo se lleva una caja de cervezas y patatas fritas se usan análisis de Fourier, generadores de asociaciones de reglas y otras técnicas estadísticas. [¿leyenda urbana?].

Un caso especial del Data Mining es el Web Mining. Cuando navegamos por un servidor de Internet, por ejemplo una tienda virtual, dejamos rastros, huellas en un fichero que se llama access.log.

  • Podemos analizar ese fichero y por ejemplo, darnos cuenta que los clientes que hacen una compra de un producto son funcionarios o jubilados o apertenecen a un nicho concreto de mercado. A partir de ahí podríamos proponer ofertas específicas.
  • Podríamos conocer que los clientes que compraron un determinado producto también compraron otro al cabo de un tiempo. Esto indica que se podría insertar publicidad del segundo producto en la página del primero.
  • Programas para analizar las estadísticas de visitas a la web como Google analytics [http://www.google.com/analytics/es-ES/]

4) Redes neuronales

Las redes neuronales son una rama de la Inteligencia Artificial. En las redes neuronales el conocimiento se incorpora mediante el aprendizaje 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. Es un tipo de software muy utilizado para reconocimiento de patrones, como caracteres escritos, de voz, etc. La figura muestra un ejemplo de aplicación a reconocimiento de caracteres escritos. Veremos que también se puede aplicar a reconocer patrones con información contable: por ejemplo aprender a distinguir empresas solventes o quebradas, buenos y malos clientes de una compañía de seguros o un banco, etc.

Originalmente la red neuronal no dispone de ningún tipo de conocimiento útil almacenado. Para que la red neuronal ejecute una tarea es preciso entrenarla, en terminología estadística diríamos que es necesario estimar los parámetros.

Modo de trabajo con redes neuronales


En realidad todo el procedimiento que vemos en la figura es estadístico: primero se selecciona un conjunto de datos, o patrones de aprendizaje en jerga neuronal. Después se desarrolla la arquitectura neuronal, número de neuronas, tipo de red. Por decirlo con otras palabras, se selecciona el modelo y el número de variables dependiente e independientes. Se procede a la fase de aprendizaje o estimación del modelo y a continuación se validan los resultados.


Una red neuronal para análisis contable


Siguiendo con nuestro ejemplo de los apartados anteriores, podemos animarnos a diseñar una red neuronal para analizar la solvencia de una empresa.


1) ¿Qué necesitamos?

En este caso, lo que solicitaríamos a nuestro experto no son reglas de decisión sino una base de datos con ejemplos de empresas que anteriormente han solicitado préstamos a nuestro banco. También precisaríamos un programa de redes neuronales -son baratos, pero en Internet hay muchos gratis que nos pueden servir para nuestras primeras pruebas-.


2) Los datos

De la base de datos deberíamos extraer un conjunto de ratios e indicadores para cada empresa, que formarán la base de patrones de aprendizaje. Nótese que en este problema en concreto disponemos también del output a aprender, que consiste en que para cada empresa sabemos si devolvió o no el préstamo. Podemos asignar un 1 a las empresas que devolvieron el préstamo y un 0 a las que no.


3) Selección del modelo

Por este motivo, podemos aplicar cualquier modelo de red neuronal con aprendizaje supervisado, el más utilizado es el llamado perceptrón multicapa. La arquitectura neuronal consiste en seleccionar el número de neuronas, capas y su configuración. Esto es algo delicado, puesto que la red aprende depende de ello, pero hay buenos libros que nos enseñan algunos trucos y su explicación matemática.

Seleccionaremos tantas neuronas en la primera capa como ratios o variables tengamos y una neurona en la capa de salida, que es la que tiene que distinguir a las empresas que devolvieron el préstamo de las que no.

Después empieza la fase de aprendizaje, en la que la red neuronal no hace magia, sino que ajusta una función matemática que trata de minimizar los errores, mediante un proceso de cálculo numérico iterativo. Al cabo de un rato, el error baja y ya tenemos la red neuronal lista.

Debemos hacer un test con datos de empresas que nos hemos guardado y no hemos utilizado para entrenar. La red neuronal nos dirá para esta nueva empresa la puntuación obtenida: 1 ó 0 y eso significa que sus ratios se parecen a los de las empresas buenas que devuelven sus préstamos o al revés.


Detección de fraude en tarjetas de crédito con redes neuronales artificiales

FUENTE: José Ramón Dorronsoro Ibero, Instituto de Ingeniería del Conocimiento de la Universidad Autónoma de Madrid (http://www.iic.uam.es)


En 1995 el IIC arrancó el proyecto MINERVA de detección de fraude en tarjetas de crédito, realizado en forma conjunta por el Instituto de Ingeniería del Conocimiento de la Universidad Autónoma de Madrid e IBM España para la Sociedad Española de Medios de Pago (SEMP), gestora en España de la mayor parte del tráfico de transacciones derivadas de tarjetas Visa.

El objetivo principal del proyecto es la construcción de un sistema on-line de recepción de información sobre transacciones, estimación de parámetros característicos de las mismas, y evaluación de su potencial riesgo de fraude. Dicho sistema opera bajo control del sistema informático de la SEMP y emite su calificación particular antes de que la transacción se remita a la entidad bancaria emisora de la tarjeta, que incorporar, eventualmente, dicha calificación a sus propios mecanismos de gestión del riesgo.

El tráfico que hay que analizar se ha descompuesto en cuatro grandes bloques: tráfico nacional, esto es, originado en España, tráfico europeo (fundamentalmente países de la CEE), tráfico norteamericano (EEUU, Canadá y México), y tráfico internacional restante (básicamente procedente de Sudamérica y Marruecos). La información utilizable en la evaluación, es la contenida en la propia transacción (número de tarjeta, importe, sector de actividad, tipo de transacción), así como otras variables derivadas computadas desde un registro histórico de transacciones previamente realizadas.

Uno de los principales objetivos de la gestión de transacciones de SEMP es la minimización de los tiempos de respuesta a clientes. Esto lleva consigo que el sistema de calificación funcione de forma totalmente integrada en el entorno de producción de SEMP. En particular, aunque la programación del mismo se haya realizado en C, su ejecución se efectúa dentro del entorno de operación CICS, y la gestión de datos debe responder al estándar CICS VSAM.

El sistema entró en funcionamiento en julio de 1996, siendo en la actualidad plenamente operativo y ofreciendo en el momento actual un funcionamiento altamente satisfactorio.


Un ejemplo real de utilización exitosa de redes neuronales es su uso para detectar fraudes en pagos electrónicos, especialmente en tarjetas de crédito. VISA fue la entidad pionera en utilizar redes neuronales para detectar operaciones fraudulentas, en combinación con otras herramientas.

f

2

Cada día se monitorizan millones de operaciones con un bajo coste, utilizando FICO Falcon™ Fraud Manager, (http://www.fico.com/en/Products/DMApps/Pages/FICO-Falcon-Fraud-Manager.aspx) que se ha consolidado como el estándar en detección de fraude en pagos con tarjetas de crédito, al supervisar el 65% de las operaciones que se realizan en el mundo.

 

jHacienda calculará el precio real de cada piso en busca de fraudes

Cinco Días (http://www.cincodias.com)


La Dirección General del Catastro, adscrita al Ministerio de Hacienda, ha puesto en marcha un programa para elaborar estimaciones del valor de cada vivienda a precios de mercado, con el fin de perseguir el fraude inmobiliario.

El esfuerzo estadístico es ímprobo. Para las estimaciones se está utilizando un programa informático diseñado por la Universidad Politécnica de Madrid sobre redes neuronales artificiales.


Easy Neural Network, reconocimiento de patrones


Instale y practique con el software de red neuronal Easy Neural Network (http://www.easynn.com) [software] [datos]. Vamos a construir una red neuronal que aprenda a valorar una vivienda, a partir de una serie de variables.


1) Se introducen los ejemplos que va a aprender a reconocer: [File] [Open] En este caso características de viviendas (número de habitaciones, si tiene garage...) y su precio final.

 


2) Se diseña el modelo de red neuronal: [View] [Network] En este caso tantas neuronas en la capa de entrada como variables y una neurona para el output,que es el precio.

3) Se deja unos segundos que "aprenda": [Action] [Start Learning] Podemos ver la importancia de cada variable... en el ejemplo se ve que el número de habitaciones es muy importante: [View] [Input Importance]


4) En la fase de "test" suministramos a la red neuronal nueva información y se obtiene el precio recomendado: [Query] [Query]

 


EJERCICIO: calcule el precio de un piso con 4 habitaciones y garage.



5) Sistemas Expertos

Su origen se sitúa a mediados de los años setenta, aunque es a partir de la década de los ochenta cuando se desarrollan aplicaciones en toda su plenitud. Su objetivo es modelizar el conocimiento, representándolo en forma de símbolos.

El Grupo Especialista en Sistemas Expertos de la Sociedad Británica de Ordenadores los define de la siguiente manera: "La incorporación dentro de un sistema informático de un componente basado en el conocimiento, correspondiente a una habilidad experta, de tal forma que el sistema pueda ofrecer asesoramiento inteligente o tomar una decisión inteligente sobre una función del proceso. Una característica adicional deseable, que muchos consideran fundamental, es la capacidad del sistema, si se le solicita, de justificar su propia línea de razonamiento de un modo directamente inteligible para el interrogador. El estilo adoptado para alcanzar estas características es la programación basada en reglas."

 

Libro recomendado: "Inteligencia Artificial y Contabilidad", Documento AECA, Serie Nuevas Tecnologías y Contabilidad

Sus dos componentes principales son la base de conocimientos y un programa de inferencia. El conocimiento se representa mediante el uso de símbolos, y así se crea una base de conocimiento. Una vez creada la base de conocimiento, se debe diseñar un método para utilizarla, que es el programa de inferencia. El programa de inferencia manipula la información simbólica almacenada en la base de conocimiento mediante un proceso de búsqueda.

Hay muchas formas de representar el conocimiento en un sistema experto. El método más utilizado son las reglas de producción.


Una regla de producción toma la siguiente forma general:



SI <son ciertos determinados hechos>
ENTONCES <se consideran ciertos otros hechos>


Estas reglas residen en la base de conocimientos, en una especie de fichero de texto. El programa de inferencia, verdadero motor del sistema experto se encarga de combinar estas reglas, interactuando con el usuario a través del interfaz del usuario.

 

Un ejemplo [solo con Explorer]


Puede practicar con el siguiente software de la Universidad de Kent, Simple Expert System Applet (http://lucy.ukc.ac.uk/ExpertSys/). Puede crear su propio Sistema Experto añadiendo reglas.

 


EJERCICIO 1: Tiene plumas, pone huevos, no vuela, nada, y es de color blanco y negro: ¿qué es?
EJERCICIO 2: Diseñe su propio sistema experto financiero con reglas sobre solvencia empresarial (liquidez, rentabilidad...)

¿Pueden superar al experto humano?

a) 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.

b) cuando la decisión exige aplicar conocimientos de varios campos.

 

Un sistema experto para análisis contable


Vamos a suponer que trabajamos en el departamento de concesión de créditos de una entidad financiera y nuestro trabajo consiste en analizar la información contable de las empresas, valorar si la empresa es solvente o presenta problemas y, a partir de ahí, decidir si merece un crédito o no. Es un problema típico de análisis contable.

Pensamos que el ordenador nos puede ayudar a manejar los datos para lo que queremos una aplicación informática que nos ayude a dicha tarea. Aunque somos algo novatos en nuestro nuevo trabajo, contamos con lo aprendido en la facultad y el apoyo de nuestro compañero de trabajo, especialista en ese campo -aunque no muy ducho en los temas de informática-, a quien pensamos sustituir porque se acerca la fecha de su jubilación.

Una herramienta de informática convencional que podríamos utilizar es la hoja de cálculo. Allí podríamos introducir los balances y cuentas de resultados de los clientes y calcular ratios financieros sobre liquidez, endeudamiento, rentabilidad, etc., y otras magnitudes como el fondo de maniobra.

Siguiendo las recetas de algún manual de análisis contable, sobre esos ratios podemos realizar algunos cálculos adicionales. Seguro que una de las funciones que más utilizaríamos de la hoja de cálculo es la función condicional, de forma que nos avise cuando la empresa en cuestión tenga valores anormalmente bajos para alguno de los ratios analizados.

La capacidad de la hoja de cálculo para realizar simulaciones es también muy notable. Con algo de programación adicional podemos incluir unas macros que enciendan un semáforo rojo en cada uno de los puntos débiles de la empresa, vamos, un sistema de alerta temprana.

Orgullosos por haber dotado a nuestra hoja de cálculo de cierta inteligencia, la mostramos a nuestro compañero, pidiendo su consejo. "No está mal, ayudará mucho a facilitar los cálculos que con mi calculadora se hacían muy pesados", exclama, "Aunque es algo sencillo". Por ejemplo, deberías haber tenido en cuenta que para ese sector en concreto es normal que el fondo de maniobra sea negativo. Además, no nos interesa tanto la rentabilidad como su capacidad para devolver el préstamo. Es más, no nos importa que la empresa quiebre, con tal de que pueda devolverlo. Me gustaría charlar contigo para poder mejorar tu programa".

En seguida nos damos cuenta de que la hoja de cálculo no es la herramienta más adecuada para representar el conocimiento complejo. En cuanto queramos que las condicionales estén anidadas al estilo: "si esto Y aquello O eso Y...entonces" la programación se complica y no es eficiente.

 

Más ejemplos financieros...


Muchos bancos utilizan Sistemas Expertos para automatizar la concesión de préstamos a los clientes. Veamos a continuación algunos ejemplos sencillos de Sistemas Expertos


6) Agentes inteligentes

Agente, del latín agere, es "el que hace". En el ámbito de los negocios, un agente es "aquel que tiene por oficio gestionar negocios ajenos".

Un agente inteligente es un programa de ordenador que es capaz de hacer lo que haríamos nosotros si tuvieramos tiempo, o de forma más precisa "un tipo de programa informático que, por encargo de un usuario u otro programa, realiza de forma autónoma tareas que requieren cierto grado de inteligencia y aprendizaje".


La mayoría de los agentes poseen las siguientes tres características: comunicación, inteligencia y autonomía.

  • Comunicación. El agente puede comunicarse con el usuario, con otros agentes y con otros programas. Con el usuario se comunica con un interfaz amigable, mediante el que personaliza sus preferencias. Algunos agentes permiten comunicarse en lenguaje natural, algo típico de los chatbots.
  • El grado de inteligencia varía mucho de unos agentes a otros, que suelen incorporar módulos con tecnologías procedentes de la Inteligencia Artificial. Los más sencillos se limitan a recoger las preferencias del usuario, quien debe personalizarlos. Un ejemplo son los agentes inteligentes basados en tecnología de redes neuronales especializados en identificar mensajes de correo electrónico sospechosos de contener spam -mensajes no deseados-. En una primera fase el usuario debe marcarlos como spam, el agente va aprendiendo a identificar los rasgos que caracterizan a estos mensajes y posteriormente los filtra.
  • Autonomía. Un agente no sólo debe ser capaz de hacer sugerencias al usuario sino de actuar. En el ejemplo anterior, el agente que filtra el spam no puede estar continuamente alertando al usuario en cada mensaje de correo que llega sobre la posibilidad de que sea un mensaje no deseado y su verdadera utilidad surge cuando elimina de forma autónoma dichos mensajes.

Veamos algunos usos y ejemplos:



a) Representante virtual

Se comunican en lenguaje natural y suplen a los comerciales.

 

Charla con un representante virtual financiero


f

 


b) Como asistentes personales

Nos ayudan como lo haría un ayudante, una especie de "mayordomo virtual".

 

f


c) Negociador en mercados electrónicos

Localiza una subasta en Internet, aprende cómo va la puja y realiza la compra por nosotros. O mira en las tiendas más baratas. O puede acceder a varias subastas simultáneamente.

  • Ejemplo de subasta con agentes inteligentes pujando, en Mercapesca.net (http://www.mercapesca.net/index.php?IDIOMA=CAS&MPRIN=MER&MSEC=MER.MER&PLANA=1&ACCIO=0) con el agente Masfit (http://www.masfit.net/index_cas.html)
  • " Las lonjas conectarán su sistema automatizado de subasta desarrollado por AUTEC al Servidor de Subastas. Los compradores remotos, a través de Internet, se conectarán al Servidor de Agentes donde podrán construir sus agentes utilizando las herramientas que le proporcionará dicho servidor, estos agentes podrán utilizar la información de la Web de Servicios. Luego podrán enviarlos a un entorno de entrenamiento para evaluar su comportamiento. Estos agentes con una lista de la compra serán enviados al Servidor de Subastas para participar en las lonjas que se hayan elegido. Los agentes competirán en igualdad de condiciones, con los compradores presenciales de la lonja a la que asistan y actuarán por su cuenta de forma desasistida, utilizando técnicas de Inteligencia Artificial y en base a la estrategia y objetivos definidos por su propietario. "

f


d) Agente de búsqueda de información o rastreador

Rastrean en las redes de ordenadores en busca de la información solicitada. Son parametrizables por el usuario o aprenden de sus hábitos, rastrean la red e informan por correo electrónico de novedades que consideran pueden ser de interés para el usuario.

 

Periódico a medida, con Google News


Contaba un ex-Presidente del Gobierno que una de las cosas que más le llamaba la atención cuando llegó a ser Presidente del Gobierno era que ya no podía leer los periódicos por la mañana, sino que un equipo de personas leían la prensa cada mañana y le recortaban las noticias de forma que tenía un "periódico a medida". Hoy en día, con Internet todos podemos conseguirlo.

Ejercicio: Cree en Google News (http://news.google.com) su periódico personal. También podemos crear alertas (http://www.google.com/newsalerts), de forma que nos avisen cuando haya una noticia sobre la palabra solicitada.

 


e) Agente secreto o espía

Monitorizan una página web identificada previamente por el usuario -una página con la información financiera de una empresa, una web oficial con normativa europea, la página con ofertas de empleo de una empresa, etc.- e informan cuando se producen cambios en dicha página.

 

 ¿Cómo mantenerse informados?


Una vez que hemos encontrado un servidor interesante, (una página oficial con normativa europea, una página personal de alguien que va añadiendo recursos, la página con ofertas de empleo de una empresa, etc.) podemos estar interesados en recibir un aviso cada vez que se modifique la página. En este caso, lo más intuitivo es acceder periódicamente al servidor para comprobar si ha habido alguna novedad. Pero nos encontramos con el inconveniente de que, en ocasiones accedemos al servidor y no ha cambiado nada. Por el contrario otras veces comprobaremos con disgusto que ha habido una novedad y no nos hemos enterado a tiempo. Es mucho más sensato utilizar un agente inteligente como Changedetection (http://www.changedetection.com) que nos avisa cuando cambia una pagina, enviándonos un correo electrónico.

changedetection

 


EJERCICIO: Configure un agente para que nos avise cuando haya una lección nueva en Ciberconta.

4) Sistemas multiagente

En general no se trabaja con agentes aislados sino con sistemas multi-agente, como el de la figura siguiente, tomada del Documento AECA, Serie Nuevas Tecnologías y Contabilidad "Inteligencia Artificial y Contabilidad".


O la siguiente, tomada del agente WARREN (http://www-2.cs.cmu.edu/~softagents/warren.html) que se compone de varios agentes simples.

 


gDiligent Dingo, agente inteligente para inversiones financieras


Instale y practique con este agente inteligente Diligentdingo [local]

 

g

 

g
g

 

jPandora, multiagente para todo

Pandora (http://pandorafms.org/index.php?sec=project&sec2=demo&lng=es) multiagente inteligente que monitoriza todo tipo de situaciones, por ejemplo: detectar si un ordenador de la empresa ha dejado de funcionar,

  • si hay una inundación
  • si los hackers están atacando a nuestra tienda virtual
  • si las acciones de una empresa bajan un 10%
  • si no hay existencias de una materia prima, etc.

Puede enviarnos un SMS, un correo o lo que queramos que haga. [wiki]. Demo disponible. [demo] [demo]

Para ver, por ejemplo, si le pasa algo a la tienda virtual de nuestra empresa podemos ir a [Virtual Console -> Chip Overview -> Online Shop]

j

 

Ficha Técnica
Título: Análisis financiero
Autor:
Idioma: es
Publicado:
Modificado: 29 Enero 2012
Resumen: Se describen las herramientas y tecnologías utilizadas en el análisis financieros
Palabras clave: análisis financiero
Licencia: Creative Commons (Reconocimiento 3.0 Genérica)

Formatos: [Versión para imprimir] [Versión en PDF]
Foto de Carlos Serrano-Cinca
es Profesor en la Universidad de Zaragoza. Su web personal:
Citar como: Carlos Serrano-Cinca (2012) :"Curso Online sobre Gestión Electrónica de Empresas" http://ciberconta.unizar.es/ecofin/drupal1/analisis-financiero [Fecha de consulta: 29 Enero 2012]

La clase continua en Facebook: