Sistema de inferencia difuso para determinar el perfil de riesgo de los inversionistas en el sistema financiero colombiano
DOI:
https://doi.org/10.18041/1909-2458/ingeniare.33.9735Palabras clave:
Inferencia difusa, perfil de riesgo, preferencias, inversionista, sistema financieroResumen
Las entidades financieras determinan el perfil de riesgo de los inversionistas mediante encuestas que simplifican en exceso la complejidad en las preferencias del individuo, lo que limita la oferta de sus portafolios hacia sus clientes. De ahí surge la necesidad de emplear métodos alternativos para brindar una mayor pertinencia en los portafolios que ofrecen estas entidades. En ese sentido, se parte de la siguiente pregunta: ¿cómo estructurar un sistema para determinar de forma más adecuada el perfil de riesgo de los inversionistas? Como respuesta, esta investigación desarrolla una propuesta metodológica basada en la lógica difusa, según la cual los inversionistas se categorizan en escalas no discretas de riesgo, considerando la vaguedad y heterogeneidad en las características de cada individuo. Los resultados muestran que el sistema de inferencia difuso propuesto mejora potencialmente la clasificación del perfil de riesgo, capturando las particularidades del inversionista.
Descargas
Referencias
Ministerio de Hacienda y Crédito Público, Decreto 661 del 17 de abril de 2018. Bogotá, Colombia, 2018.
M. O. Rieger, “Why do investors buy bad financial products? Probability misestimation and preferences in financial investment decision”, J. Behav. Financ., vol. 13, no. 2, pp. 108–118, 2012, doi: 10.1080/15427560.2012.680991.
J. V. Sánchez, “El comportamiento del precio de las acciones t recesión económica. EEUU y México”, Rev. Latinoam. Econ., vol. 41, no. 160, pp. 84-107, 2010.
M. Sánchez, M. D. Oliver, and C. Sanchís, “Fuzzy logic and its uses in finance: A systematic review exploring its potential to deal with banking crises”, Mathematics, vol. 7, no. 1091, pp. 1-22, 2019, doi: 10.3390/math7111091.
Autorregulador del mercado de valores de Colombia, “ABC del inversionista”, Educacion financiera para todos, no. 1. p. 24, 2014.
A. Tversky and D. Kahneman, “Advances in prospect theory: Cumulative representation of uncertainty”, J. Risk Uncertain., vol. 5, pp. 297-323, 1992, doi: 10.1007/BF00122574.
N. Nicholson, E. Soane, M. Fenton-O’Creevy, and P. Willman, “Personality and domain-specific risk taking”, J. Risk Res., vol. 8, no. 2, pp. 157-176, 2005, doi: 10.1080/1366987032000123856.
S. D. Gosling, P. J. Rentfrow, and W. B. Swann, “A very brief measure of the Big-Five personality domains”, J. Res. Pers., vol. 37, no. 6, pp. 504-528, 2003, doi: 10.1016/S0092-6566(03)00046-1.
D. De Bortoli, N. Da Costa, M. Goulart, and J. Campara, “Personality traits and investor profile analysis: A behavioral finance study”, PLoS One, vol. 13, no. 3, pp. 1-18, 2019, doi: 10.1371/journal.pone.0214062.
Fiduciaria Central, “Perfil de riesgo para inversionistas”. 2016.
BTG Pactual, “Cuestionario perfil de riesgo del cliente”. 2020.
Skandia, “Encuesta Perfil de Inversión del Contrato Fondo de Pensiones Voluntarias Skandia Multifund”. 2019.
E. Turunen, “Connecting a tenable mathematical theory to models of fuzzy phenomena” in Studies in Fuzziness and Soft Computing, 243rd ed., Berlin: Springer, 2009.
J. A. Goguen, “The logic of inexact concepts”, Synthese, vol. 19, no. 3-4, pp. 325-373, 1969, doi: 10.1007/BF00485654.
C. C. Lee, “Fuzzy Logic in Control Systems: Fuzzy Logic Controller, Part II”, IEEE Trans. Syst. Man Cybern., vol. 20, no. 2, pp. 419-435, 1990, doi: 10.1109/21.52552.
A. Reveiz and C. León, “Operational Risk Manegement using a Fuzzy Logic Inference System”, Borradores Econ., no. 574, pp. 1-30, 2009.
H. Dourra and P. Siy, “Investment using technical analysis and fuzzy logic”, Fuzzy Sets Syst., vol. 127, no. 2, pp. 221-240, 2002, doi: 10.1016/S0165-0114(01)00169-5.
A. Escobar, J. Moreno, and S. Múnera, “A technical analysis indicator based on fuzzy logic”, Electron. Notes Theor. Comput. Sci., 2013, doi: 10.1016/j.entcs.2013.02.003.
O. Ece and A. S. Uludag, “Applicability of Fuzzy TOPSIS Method in Optimal Portfolio Selection and an Application in BIST”, Int. J. Econ. Financ., vol. 9, no. 10, p. 107, 2017, doi: 10.5539/ijef.v9n10p107.
M. G. Yunusoglu and H. Selim, “A fuzzy rule based expert system for stock evaluation and portfolio construction: An application to Istanbul Stock Exchange”, Expert Syst. Appl., vol. 40, pp. 908-920, 2013, doi: 10.1016/j.eswa.2012.05.047.
S. Medina and O. O. Manco, “Diseño de un sistema experto difuso: evaluación de riesgo crediticio en firmas comisionistas de bolsa para el otorgamiento de recursos financieros”, Estud. Gerenciales, vol. 23, no. 104, pp. 101-129, 2007, doi: 10.1016/s0123-5923(07)70019-0.
S. Medina and G. Paniagua, “Modelo de inferencia difuso para estudio de crédito”, DYNA, vol. 75, no. 154, pp. 215-229, 2008.
M. Enciso, A. Andrés, and J. Campo, “Sistema de inferencia difuso para la inflación en Colombia”, Ensayos Sobre Polit. Econ., vol. 31, no. 71, pp. 73-84, 2013, doi: 10.1016/S0120-4483(13)70012-5.
L. Santana, “Una aplicación de la lógica difusa a la evaluación del balance de riesgos de la inflación y del crecimiento macroeconómico”, Cienc. Soc., vol. 38, no. 3, pp. 497-514, 2013.
A. Arango, J. Velásquez, and C. Franco, “Técnicas de lógica difusa en la predicción de índices de mercados de valores: una revisión de literatura”, Rev. Ing. Univ. Medellín, vol. 12, no. 22, pp. 117-126, 2013, doi: 10.22395/rium.v12n22a10.
J. F. Díaz, E. Coba, and P. Navarrete, “Lógica difusa y el riesgo financiero. Una propuesta de clasificación de riesgo financiero al sector cooperativo”, Contaduría y Adm., vol. 62, pp. 1670-1686, 2017, doi: 10.1016/j.cya.2017.09.001.
M. D. Rojas, E. Zuluaga, and M. E. Valencia, “Sistema de inferencia difuso para la valoración de empresas”, Rev. Ing. Univ. Medellín, vol. 13, no. 24, pp. 89-108, 2014, doi: 10.22395/rium.v13n24a6.
L. A. Zadeh, “Fuzzy sets”, Inf. Control, vol. 8, no. 3, pp. 338-353, 1965, doi: 10.1016/S0019-9958(65)90241-X.
E. H. Mamdani, “Application of Fuzzy Logic to Approximate Reasoning Using Linguistic Synthesis”, IEEE Trans. Comput., vol. 26, no. 12, pp. 1182-1191, 1977, doi: 10.1109/TC.1977.1674779.
A. M. Barbosa, “FuzzySim: applying fuzzy logic to binary similarity indices in ecology”, Methods Ecol. Evol., no. 6, pp. 853-858, 2015.
CEPAL, “La nueva era demográfica en América Latina y el Caribe. La hora de la igualdad según el reloj poblacional”, in Primera Reunión de la Mesa Directiva de la Conferencia Regional sobre Población y Desarrollo de América Latina y el Caribe, 2014.
BBVA, “Corto, mediano y largo plazo: ¿cuál me conviene?”, 2020. [Online]. Available: https://www.bbva.mx/educacion-financiera/ahorro/corto-mediano-y-largo-plazo-cual-me-conviene.html.
G. Bojadziev and M. Bojadziev, “Fuzzy Logic Control for Business, Finance, and Management”, in Advances in Fuzzy Systems: Applications and Theory, Second., World Scientific, 2007.
J. Grajales, D. López, J. Muñoz, and R. Maldonado, “Control en cascada por métodos difusos”, Rev. EIA, no. 8, pp. 181-193, 2007, doi: 10.24050/reia.v4i8.193.
Publicado
Número
Sección
Licencia
Derechos de autor 2022 Ingeniare
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
