Los mercados internacionales en general están resultando de gran interés para matemáticos y físicos donde se pueden aplicar técnicas de física estadística con el fin de modelar la dinámica de cotizaciones, tipos de interés y productos más complejos como los derivados financieros.

De hecho, el interés que despierta este tipo de modelos y tecnologías engloba a bancos, compañías de seguros y compañías como Goldman Sachs, Merrill Lynch and Salomon Smith Barney. Aun teniendo en cuenta cada sector tiene propósitos distintos, todos ellos están interesados en un factor común: aumentar el valor de sus inversiones minimizando riesgos, y por tanto, no es de extrañar que un gran número de firmas estadounidenses como las anteriormente mencionadas hayan invertido grandes sumas en desarrollos de este tipo de tecnología.

El papel, así como la relevancia, del análisis de series temporales tuvo su mayor reconocimiento en el año 2003 en la entrega del Premio Nobel de Economía a Robert Engle por sus trabajos en “Autoregressive Conditional Heteroscedastic (ARCH) models”, siendo pionero ya en 1982.

La detección de tendencias y patrones en series temporales ha sido de gran interés en el mundo financiero desde hace décadas. Los mecanismos principales para reconocer patrones en series temporales se suelen basar en técnicas estadísticas como regresiones, “clustering” (agrupamiento de entidades similares) y más recientemente en modelos autoregresivos generalizados (G-ARCH) como el mencionado anteriormente. De todas formas, los modelos matemáticos asociados con estos métodos para la previsión económica, suelen ser lineales, mientras que el comportamiento de los datos de tales modelos es en gran medida no lineal.

La presunción de modelos basados en conocimiento apriorístico sobre el gobierno de la dinámica de los datos suele llevar a sistemas poco flexibles y bastante limitados en su capacidad de predicción. Los factores de tales limitaciones vienen dados en su mayor parte por cuestiones inherentes al cálculo numérico y a las no linealidades del sistema.

En otros ámbitos de aplicación, donde la proposición de un modelo a priori resulta casi imposible de realizar, se ha derivado a técnicas más propias del Data Mining (Minería de Datos). Lo que se pretende con esta tecnología es descubrir conocimiento oculto a partir de grandes volúmenes de datos. Desde la década pasada, debido a los grandes avances computacionales, se ha ido incorporando a las organizaciones para constituirse en un apoyo esencial al momento de tomar decisiones. Organizaciones tales como empresas, universidades y gobiernos, entre otros, hacen uso de esta tecnología como ayuda en la toma de sus decisiones:

Aplicaciones Gubernamentales: A principios del mes de julio de 2002, el director del Federal Bureau of Investigation (FBI), John Aschcroft, anunció que el Departamento de Justicia comenzará a introducirse en la vasta cantidad de datos comerciales referentes a los hábitos y preferencias de compra de los consumidores, con el fin de descubrir potenciales terroristas antes de que ejecuten una acción. Algunos expertos aseguran que, con esta información, el FBI unirá todas las bases de datos probablemente mediante el número de la Seguridad Social y permitirá saber si una persona fuma, qué talla y tipo de ropa usa, su registro de arrestos, su salario, las revistas a las que está suscrito, su altura y peso, sus contribuciones a la Iglesia, grupos políticos u organizaciones no gubernamentales, sus enfermedades crónicas (como diabetes o asma), los libros que lee, los productos de supermercado que compra, si tomó clases de vuelo o si tiene cuentas de banco abiertas, entre otros. La inversión inicial ronda los setenta millones de dólares estadounidenses para consolidar los almacenes de datos, desarrollar redes de seguridad para compartir información e implementar nuevo software analítico y de visualización.

Aplicaciones Corporativas:

Fraudes en Tarjetas de Crédito

En 2001, las instituciones financieras a escala mundial perdieron más de 2.000 millones de dólares estadounidenses en fraudes con tarjetas de crédito y débito. El Falcon Fraud Manager es un sistema inteligente que examina transacciones, propietarios de tarjetas y datos financieros para detectar y mitigar fraudes. En un principio estaba pensado, en instituciones financieras de Norteamérica, para detectar fraudes en tarjetas de crédito. Sin embargo, actualmente se le han incorporado funcionalidades de análisis en las tarjetas comerciales, de combustibles y de débito. El sistema Falcon ha permitido ahorrar más de seiscientos millones de dólares estadounidenses cada año y protege aproximadamente más de cuatrocientos cincuenta millones de pagos con tarjeta en todo el mundo –aproximadamente el sesenta y cinco por ciento de todas las transacciones con tarjeta de crédito.

Descubriendo el porqué de la deserción de clientes de una compañía operadora de telefonía móvil.

Este estudio fue desarrollado en una operadora española que básicamente situó sus objetivos en dos puntos: el análisis del perfil de los clientes que se dan de baja y la predicción del comportamiento de sus nuevos clientes. Se analizaron los diferentes históricos de clientes que habían abandonado la operadora (12,6%) y de clientes que continuaban con su servicio (87,4%). También se analizaron las variables personales de cada cliente (estado civil, edad, sexo, nacionalidad, etc.). De igual forma se estudiaron, para cada cliente, la morosidad, la frecuencia y el horario de uso del servicio, los descuentos y el porcentaje de llamadas locales, interprovinciales, internacionales y gratuitas. Al contrario de lo que se podría pensar, los clientes que abandonaban la operadora generaban ganancias para la empresa; sin embargo, una de las conclusiones más importantes radicó en el hecho de que los clientes que se daban de baja recibían pocas promociones y registraban un mayor número de incidencias respecto a la media. De esta forma se recomendó a la operadora hacer un estudio sobre sus ofertas y analizar profundamente las incidencias recibidas por esos clientes. Al descubrir el perfil que presentaban, la operadora tuvo que diseñar un trato más personalizado para sus clientes actuales con esas características. Para poder predecir el comportamiento de sus nuevos clientes se diseñó un sistema de predicción basado en la cantidad de datos que se podía obtener de los nuevos clientes comparados con el comportamiento de clientes anteriores.

Predicción del tamaño de las audiencias televisivas.

La British Broadcasting Corporation (BBC) del Reino Unido emplea un sistema para predecir el tamaño de las audiencias televisivas para un programa propuesto, así como el tiempo óptimo de exhibición (Brachman y otros, 1996). El sistema utiliza redes neuronales y árboles de decisión aplicados a datos históricos de la cadena para determinar los criterios que participan según el programa que hay que presentar. La versión final se desempeña tan bien como un experto humano con la ventaja de que se adapta más fácilmente a los cambios porque es constantemente reentrenada con datos actuales.

Las situaciones descritas tienen en común un enfoque basado en la experiencia (recogida de casos históricos) con la cual se realiza un proceso de filtrado que permita realizar inferencias y predicciones.

En este mismo sentido, StockHunter se desprende de cualquier modelo analítico con el fin de evitar desviaciones propias de presunciones apriorísticas, permitiendo el análisis de mercados de renta variable y proporcionando una estimación de la tendencia de subida o bajada de cada uno de los valores que lo componen, en función de diversas medidas de análisis, que abarcan evoluciones similares históricas, interrelaciones entre los diferentes mercados teniendo en cuenta el factor de la globalización, las diferentes eventualidades sobre futuras operaciones de adquisición, fusión, etc.

Por: www.aibob.com