Browsing by Subject "Neural networks"
Now showing 1 - 3 of 3
Results Per Page
Sort Options
Item Open Access
Estimación de la carga financiera en Colombia(Banco de la República, 2011-03) Gerencia de Riesgo Asobancaria CIFINLos indicadores de endeudamiento permiten evaluar la posición crediticia de cada individuo. A nivel agregado, contribuyen al seguimiento de la dinámica y sostenibilidad del crédito en el sistema. A pesar de su importancia, en Colombia, la información financiera que se obtiene a nivel micro no se encuentra disponible para la construcción de indicadores a nivel macro. Por esta razón se propone un método de inferencia de la renta de los individuos a partir de su relación con el gasto financiero, que permite medir la carga financiera para la totalidad de titulares de crédito en el país. La metodología parte de la conformación de segmentos para estimar, en cada uno de ellos, regresiones múltiples basadas en Redes Neuronales Artificiales (RNA). La agregación de indicadores micro fundamentados puede contribuir al diseño e implementación de mecanismos de estabilización financiera. Los resultados sugieren exceso probable de endeudamiento para un 10% de la población.Documentos de Trabajo. 2011-03-01Temas de Estabilidad Financiera ; No. 56Item Open AccessNowcasting economic activity with electronic payments data: A predictive modeling approach(Banco de la República, 2018-02-12) León-Rincón, Carlos Eduardo; Ortega-Castro, Fabio GonzaloDocumentos de Trabajo. 2018-02-12Borradores de Economía; No. 1037Item Open AccessPattern recognition of financial institutions’ payment behavior(Banco de la República) León-Rincón, Carlos Eduardo; Barucca, Paolo; Oscar, Acero; Gerardo, Gage; Ortega-Castro, Fabio GonzaloPresentamos una metodología general de aprendizaje automático supervisado para representar el comportamiento de pago de las instituciones financieras a partir de una base de datos de transacciones del sistema de pagos de alto valor de Colombia. La metodología utiliza una red neuronal artificial para representar los patrones de pago de instituciones financieras a través de 113 características que corresponden a su contribución a los pagos, hábitos de fondeo, momento de pagos, concentración de pagos, centralidad en la red de pagos, e impacto sistémico debido a la imposibilidad de pagar. Esta representación es utilizada para probar la coherencia de los patrones de pago fuera de muestra de una institución financiera con sus patrones de pago característicos. El desempeño del modelo es notable, con un error de clasificación fuera de muestra cercano a tres por ciento. El desempeño es robusto a reducciones en el número de características con base en la selección no supervisada de características. También se comprueba que la centralidad en la red de pagos y el impacto sistémico son características que efectivamente mejoran el desempeño de la metodología. Para las autoridades financieras este es un primer paso hacia la detección automatizada de anomalías en el comportamiento de las instituciones financieras como participantes en sistemas de pago.Documentos de Trabajo. 2020-09-08Borradores de Economía; No.1130