Sistema de detección de desviación contable utilizando Machine Learning en empresas que cotizan en la Bolsa de Valores de Lima

• Autores: Garcia Muñoz, Vladimir Lincoln, Garcia Perez, Glenn Alan
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/671541
• Enlace del recurso: http://hdl.handle.net/10757/671541
• Nivel de acceso: acceso abierto
• Materia: Desviación contable; Machine learning; Bolsa de valores de lima; Entidad bancaria; Accounting deviation; Lima stock exchange; Banking entity; https://purl.org/pe-repo/ocde/ford#2.02.04; https://purl.org/pe-repo/ocde/ford#2.00.00

Actualmente las entidades bancarias en el Perú realizan el proceso de revisión de los estados financieros para otorgamiento de créditos, renovación de líneas de crédito, entre otros productos financieros. Esta actividad es realizada por los sectoristas bancarios para realizar un análisis del negocio, quienes se basan en la información financiera que presentan las entidades en sus estados financieros auditados. Este análisis requiere exactitud y veracidad de la información financiera. Para ello, los auditores experimentados realizan su revisión basándose en su juicio profesional, expertiz, conocimiento del cliente, el negocio, las políticas contables y normas relacionadas. Una organización que cotiza en la Bolsa de Valores de Lima puede tener millones de entradas y la labor de identificar dónde puede provenir el riesgo de la auditoría es como buscar una aguja en un pajar. Los algoritmos de machine learning nos permiten la detección de la desviación contable hasta con un 98.09% pudiendo ser una potencial herramienta de apoyo para ayudar a auditar con mayor precisión. En el presente trabajo de investigación se elaboró una herramienta de soporte que permite a los sectoristas bancarios identificar tendencias y anomalías en los estados financieros para que así puedan enfocar su esfuerzo y minimizar el riesgo de no detección por parte de los auditores de la desviación contable. La solución que se implementó emplea un algoritmo de machine learning, para identificar al adecuado se buscó el algoritmo de mejor rendimiento al momento de detectar la desviación contable. El algoritmo seleccionado fue el Random Forest por su alto grado de precisión que reduce el riesgo de no detección. Para el entrenamiento de este sistema inteligente se utilizó información financiera pública de las empresas que cotizan en bolsa como los estados financieros, estado de resultados, entre otros. Los resultados obtenidos nos otorgaron un grado de predicción del 81.46% de desviación contable lo cual incrementa el grado de confianza acerca de la información financiera que presentan las empresas que cotizan en la Bolsa de Valores de Lima.