Pronóstico de morosidad de cartera vencida aplicando series temporales
DOI:
https://doi.org/10.61347/ei.v4i1.98Palabras clave:
Cartera vencida, gestión del riesgo, morosidad, pronóstico, series temporalesResumen
El pronóstico de morosidad resulta fundamental para la gestión del riesgo crediticio, ya que permite identificar y anticipar áreas con alta probabilidad de incumplimiento. Al prever estos riesgos, las instituciones pueden implementar medidas preventivas y estrategias de mitigación. Esta investigación se enfoca en el pronóstico de morosidad de cartera vencida mediante el uso de series temporales, un aspecto esencial en la contabilidad financiera de las entidades bancarias. El presente estudio analiza el pronóstico de morosidad de cartera vencida en una cooperativa de ahorro y crédito de la ciudad de Riobamba. Para ello, se empleó un enfoque cuantitativo para analizar el pronóstico de morosidad de cartera vencida aplicando técnicas de series temporales. Se adoptó un diseño no experimental, centrado en la recopilación y análisis de datos históricos con un enfoque longitudinal. A través de este estudio, se examinó la evolución de la morosidad y se desarrollaron modelos predictivos para identificar patrones y tendencias en la cooperativa. Los resultados muestran que las técnicas de pronóstico basadas en series temporales, como los modelos ARIMA, son efectivas para generar predicciones precisas sobre la morosidad de cartera vencida. Además, el análisis reveló variaciones significativas con tendencia decreciente en la morosidad de la cartera de consumo, así como un incremento en la cartera de microcrédito y en la morosidad de cartera total.
Descargas
Citas
Abril, M. M. (2021). Modelos para el análisis de las series de tiempo. RInCE, 22(11), 1-6. https://n9.cl/r5oeot
Cedeño-Jaramillo, J., & Zambrano-Montesdeoca, J. (2022). La recuperación de cartera vencida y su incidencia en la liquidez de la Cooperativa de Ahorro y Crédito Magisterio Manabita LTDA. 2021-2022. Polo del Conocimiento, 7(6), 1949-1973. https://n9.cl/5lf041
Cerqueira, V., Torgo, L., & Mozetič, I. (2020). Evaluating time series forecasting models: An empirical study on performance estimation methods. Machine Learning, 109(11), 1997-2028. https://doi.org/10.1007/s10994-020-05910-7
Contreras, L. A. C. (2020). Morosidad de la cartera de crédito al consumo y su incidencia en la rentabilidad y liquidez del Banco Mercantil, Banco Universal. Gestión y desarrollo libre, 5 (9). https://doi.org/10.18041/2539-3669/gestionlibre.9.2020.8109
Deb, C., Zhang, F., Yang, J., Lee, S., & Shah, K. (2017). A review on time series forecasting techniques for building energy consumption. Renewable and Sustainable Energy Reviews, 74, 902-924. https://doi.org/10.1016/j.rser.2017.02.085
Deras, N. J., Ardón, J. A., & Domínguez, V. D. (2023). Sistema de gestión de cartera que contribuya a contrarrestar el riesgo crediticio de la Asociación Cooperativa de Ahorro, Crédito y Consumo de Abogados de El Salvador de R. L. [Tesis de grado, Universidad de El Salvador]. Repositorio institucional. https://n9.cl/prqpaf
Garibaldi, L. A., Oddi, F. J., Azuaga, G. D., Behnisch, A. N., & Aristimuño, F. J. (2023). Modelos estadísticos en lenguaje R. Editorial UNRN. https://n9.cl/b9ue6
Giorgi, F. M., Ceraolo, C., & Mercatelli, D. (2022). The R Language: An Engine for Bioinformatics and Data Science. Life, 12(5), 648. https://doi.org/10.3390/life12050648
Kader, N., Yusof, U., Khalid, M., & Husain, N. (2023). A review of long short-term memory approach for time series analysis and forecasting. En Proceedings of the 2nd International Conference on Emerging Technologies and Intelligent Systems (pp. 12-21). Springer International Publishing. https://doi.org/10.1007/978-3-031-20429-6_2
Kimata, J., Khan, M., Sharma, A., Rashid, M., & Tekabu, T. (26 al 30 de agosto de 2019). Forecasting of currency exchange rate using artificial neural network: a case study of Solomon Island dollar. En N. Abhaya & S. Alok (eds.), PRICAI 2019: Trends in Artificial Intelligence (pp. 729-733). Springer International Publishing. https://doi.org/10.1007/978-3-030-29894-4_58
Kolambe, M., & Arora, S. (2024). Forecasting the future: a comprehensive review of time series prediction techniques. Journal of Electrical Systems, 20(2), 575-586. https://doi.org/10.52783/jes.1478
Li, K., & Zhou, Y. (2024). Improved financial predicting method based on time series long short-term memory algorithm. Mathematics, 12(7). https://doi.org/10.3390/math12071074
Lim, B., & Zohren, S. (2021). Time series forecasting with deep learning: a survey. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 379(2194), 20200209. https://doi.org/10.1098/rsta.2020.0209
Miller, J., Aldosari, M., Saeed, F., Barna, N., Rana, S., Arpinar, I., & Liu, N. (2024). A survey of deep learning and foundation models for time series forecasting. Cornell University. https://doi.org/10.48550/arXiv.2401.13912
Morales, J., Espinosa, P., & Rojas, M. (2022). Efecto de las variables macroeconómicas en los índices de morosidad de los bancos en México, durante el periodo COVID-19 versus el periodo previo. Revista Academia & Negocios, 8(1). https://n9.cl/ik3oa
Mosso, M., & López-Herrera, F. (2019). Relación de equilibrio en la morosidad y el deterioro de la cartera de hipotecas bursatilizadas en México. Revista de Investigación en Ciencias Contables y Administrativas, 5(1), 3-31. https://n9.cl/7mqsim
Murillo-Robles, M., & Palacios-Cedeño, N. (2022). Cartera vencida y la liquidez de la empresa Camposanto y Exequiales Jardines de la Paz Jipijapa, periodo 2019-2020. Dominio de las Ciencias, 8(2), 185-205. https://n9.cl/gyed1
Noriega, J., Rivera, L., & Herrera, J. (2023). Machine learning for credit risk prediction: a systematic literature review. Data, 8(11), 169. https://doi.org/10.3390/data8110169
Resolución 129-2015-F [Junta de la Política y Regulación Monetaria y Financiera]. Por la cual se establece la Norma para la gestión de riesgo de crédito en las cooperativas de ahorro y crédito. 23 de septiembre de 2015. https://www.seps.gob.ec/wp-content/uploads/Resol129.pdf
Resolución Nro. SEPS-IGT-IGS-INSESF-INR-INGINT-2023-0225 [Superintendencia de Economía Popular y Solidaria]. Por la cual se establece la Norma de control para la gestión del riesgo de crédito. 22 de junio de 2023. https://lc.cx/x-Y6eE
Ronquillo, M. (2020). Gestión de mejora continua para proceso de captación y crédito, caso Cooperativa de Ahorro y Crédito San Antonio Montalvo [Tesis de maestría, Universidad Tecnológica Empresarial de Guayaquil]. Repositorio institucional. https://n9.cl/qfkmhx
Rubio, G. (2021). Evaluación de gestión al proceso de recuperación de cartera vencida y su incidencia en la liquidez de la compañía Jardines Vida Eterna S. A. [Tesis de grado, Universidad Laica Vicente Rocafuerte de Guayaquil]. Repositorio institucional. https://n9.cl/go9nd
Ruiz, S., Leos, V., & Morales, J. (septiembre de 2018). Métodos de clasificación supervisada en series temporales [conferencia]. Conferencia Latinoamericana sobre Uso de R en Investigación+ Desarrollo (LatinR 2018)-JAIIO 47, Sociedad Argentina de Informática e Investigación Operativa, Argentina. https://n9.cl/yzw7kb
Siami-Namini, S., & Namin, A. (2018). Forecasting economics and financial time series: ARIMA vs. LSTM. Cornell University. https://doi.org/10.48550/arXiv.1803.06386
Superintendencia de Economía Popular y Solidaria [SEPS]. (2024). Estadísticas SFPS. https://n9.cl/eo4tv
Toalombo-Villa, J., & Cárdenas-Pérez, A. (2023). Gestión de recaudación de cartera vencida y su incidencia en los resultados financieros de la cooperativa de ahorro y crédito Ambato Ltda. Agencia Tena. Revista Publicando, 10(39), 17-29. https://n9.cl/fvq5z
Toapanta-Freire, A., & Vásconez-Acuña, L. (2024). Riesgo crediticio y la estabilidad financiera de las Cooperativas de Ahorro y Crédito del Ecuador. Gestio et Productio, 6(1), 493-524. https://doi.org/10.35381/gep.v6i1.112
Tudela-Mamani, J., Cahui-Cahui, E., Aliaga-Melo, G., Tudela-Mamani, J., Cahui-Cahui, E., & Aliaga-Melo, G. (2022). Impacto del COVID-19 en la demanda de turismo internacional del Perú. Una aplicación de la metodología Box-Jenkins. Revista de Investigaciones Altoandinas, 24(1), 27-36. https://doi.org/10.18271/ria.2022.317
Vallejo, J., Torres, D., & Ochoa, J. (2021). Morosidad del sistema bancario producido por efectos de la pandemia. ECA Sinergia, 12(2), 17-24. https://doi.org/10.33936/eca_sinergia.v12i2.2959
Yadav, M., Pal, N., & Yadav, D. (28 al 29 de enero de 2021). Workload prediction over cloud server using time series data. 2021 11th International Conference on Cloud Computing, Data Science & Engineering (Confluence), IEEE, Noida, India. https://doi.org/10.1109/Confluence51648.2021.9377032
Zhou, Q., Han, R., Li, T., & Xia, B. (2019). Joint prediction of time series data in inventory management. Knowledge and Information Systems, 61(2), 905-929. https://doi.org/10.1007/s10115-018-1302-y
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Cristina Monserrateh Ibarra Gallo, Marco Antonio Daqui Janeta
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
