Look-up in Google Scholar
Full metadata record
Burga Durango, Daniel Wilfredo
Garcia Perez, Glenn Alan (es_PE)
Garcia Muñoz, Vladimir Lincoln (es_PE)
2024-01-19T16:14:42Z
2024-01-19T16:14:42Z
2024-01-19T16:14:42Z
2024-01-19T16:14:42Z
2023-12-04
0000 0001 2196 144X (isni)
http://hdl.handle.net/10757/671541
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.
At present, Peruvian banks review financial statements for granting loans, renewing lines of credit, among other financial products. Banking sector specialists conduct this activity to perform an analysis of the business, based on the financial information presented by the entities in their audited financial statements. This analysis requires accuracy and veracity of financial information. Experienced auditors perform their review based on their professional judgment, expertise, knowledge of the client, business, accounting policies and related standards. An organization listed on the Lima Stock Exchange may have millions of entries and the task of identifying where the audit risk may come from is like looking for a needle in a haystack. Machine learning algorithms allow us to detect accounting deviation with up to 98.09% and can be a potential support tool to help audit with greater accuracy. In this research work, a support tool was developed that allows banking sector specialists to identify trends and anomalies in the financial statements so that they can focus their efforts and minimize the risk of non-detection by auditors of accounting deviations. The solution that was implemented is based on a machine learning algorithm, to identify the appropriate one, the one with the best performance when detecting the accounting deviation was sought. The algorithm selected was Random Forest because of its high degree of accuracy that reduces the risk of non-detection. For the training of this intelligent system, we used public financial data of listed companies such as financial statements, income statements, among others.
Trabajo de Suficiencia Profesional (es_PE)
application/pdf (en_US)
application/epub (en_US)
application/msword (en_US)
spa (es_PE)
Universidad Peruana de Ciencias Aplicadas (UPC) (es_PE)
info:eu-repo/semantics/openAccess (es_PE)
Attribution-NonCommercial-ShareAlike 4.0 International (*)
http://creativecommons.org/licenses/by-nc-sa/4.0/ (*)
Universidad Peruana de Ciencias Aplicadas (UPC) (es_PE)
Repositorio Académico - UPC (es_PE)
Machine learning
Desviación contable
Bolsa de valores de lima
Entidad bancaria
Accounting deviation
Lima stock exchange
Banking entity
Sistema de detección de desviación contable utilizando Machine Learning en empresas que cotizan en la Bolsa de Valores de Lima (es_PE)
Accounting deviation detection system using machine learning in peruvian companies listed on the Lima stock exchange
info:eu-repo/semantics/bachelorThesis (es_PE)
Trabajo de Suficiencia Profesional (other)
Universidad Peruana de Ciencias Aplicadas (UPC). División de Estudios Profesionales para Ejecutivos (EPE) (es_PE)
Ingeniería de Sistemas (es_PE)
Licenciatura (es_PE)
Ingeniero de Sistemas (es_PE)
PE (es_PE)
https://purl.org/pe-repo/ocde/ford#2.00.00 (es_PE)
https://purl.org/pe-repo/ocde/ford#2.02.04
https://purl.org/pe-repo/renati/level#tituloProfesional (es_PE)
9347654
0000-0003-0312-727X (es_PE)
44944824
72192141
612076 (es_PE)
Burga Durango, Daniel Wilfredo
Barrientos Padilla, Alfredo
https://purl.org/pe-repo/renati/type#trabajoDeSuficienciaProfesional (es_PE)
Privada societaria



This item is licensed under a Creative Commons License Creative Commons