Clasificador de anomalías contables en operaciones de factoring financiero mediante modelos de aprendizaje automático enfocado en la modalidad de descuento de títulos valor

Vista sencilla de ítem
dc.contributor.advisorPuentes Morales, Carlos Alberto
dc.contributor.authorIbarra Parada, David Alejandro
dc.contributor.authorRico López, Andrés Antonio
dc.contributor.authorCamargo Duque, Gustavo Andrés
dc.date.accessioned2024-09-10T01:15:21Z
dc.date.available2024-09-10T01:15:21Z
dc.date.issued2024-02
dc.description.abstractEn este artículo se desarrolló un estudio detallado para identificar, analizar y clasificar anomalías contables para una Entidad Financiera la cual tiene un área encargada de los productos Factoring. Esta empresa tiene diferentes áreas funcionales, como finanzas, recursos humanos, producción, entre otras y cada una de ellas tiene registros contables específicos y distintos patrones de comportamiento. Detectar, analizar y clasificar estas diferencias fue un desafío, pero también ofreció conocimientos fundamentales para la administración financiera y la toma de decisiones estratégicas. El enfoque propuesto de la investigación fue aplicar algoritmos de aprendizaje supervisado, como clasificación y regresión, junto con algoritmos de Machine Learning, como árboles de decisión, SVM (Support Vector Machines), o redes neuronales, los cuales sirvieron para entrenar un modelo que identificó patrones en los datos contables y detectó diferencias entre oficinas de la empresa. Se utilizaron datos contables de prueba de la entidad financiera del producto Factoring específicamente y se analizaron variables relevantes, como ingresos, gastos, cuentas por cobrar, cuentas por pagar, entre otros, para identificar diferencias significativas. Como se esperaba los resultados de esta investigación al aplicarse en la práctica mejoraron la gestión financiera y contable de la entidad, puesto que permitió identificar áreas que necesitan mejoras en términos de registros contables y facilitó la toma de decisiones. Además, este estudio posiblemente es de interés para investigadores y profesionales interesados en el área de la contabilidad y el análisis financiero.
dc.description.abstractenglishIn this article, a detailed study was developed to identify, analyze and classify accounting anomalies for a Financial Entity which has an area in charge of Factoring products. This company has different functional areas, such as finance, human resources, production, among others, and each of them has specific accounting records and different behavioral patterns. Detecting, analyzing and classifying these differences was challenging, but also provided critical insights for financial management and strategic decision making. The proposed approach of the research was to apply supervised learning algorithms, such as classification and regression, together with Machine Learning algorithms, such as decision trees, SVM (Support Vector Machines), or neural networks, which served to train a model that identified patterns in accounting data and detected differences between company offices. Test accounting data from the financial institution of the Factoring product specifically was used and relevant variables, such as income, expenses, accounts receivable, accounts payable, among others, were analyzed to identify significant differences. As expected, the results of this research, when applied in practice, improved the financial and accounting management of the entity, since it allowed the identification of areas that need improvement in terms of accounting records and facilitated decision making. Furthermore, this study is possibly of interest to researchers and professionals interested in the area of ​​accounting and financial analysis.
dc.identifier.urihttps://hdl.handle.net/20.500.12495/12978
dc.language.isoes
dc.relation.referencesAccountingTools ACCOUNTING CPE COURSES & BOOKS. (2023). Debits and credits definition. AccountingTools ACCOUNTING CPE COURSES & BOOKS.
dc.relation.referencesAndrews, E. L. (16 de Mayo de 2019). Stanford Graduate School of Business. Obtenido de The Case for Fair Value Accounting: https://www.gsb.stanford.edu/insights/casefair-value-accounting#:~:text=,%E2%80%9D%0A%0AMay%2016%2C%202019
dc.relation.referencesBakumenko, A. (2022). Detectar anomalías en los datos financieros utilizando Aprendizaje automático. Lulea: Universidad Tecnológica de Lulea Departamento de Ciencias de la Computación, Ingeniería Eléctrica y Espacial.
dc.relation.referencesBakumenko, A., & Elragal, A. (2022). Detecting Anomalies in Financial Data Using Machine Learning Algorithms. Luleå, Sweden: Department of Computer Science, Electrical and Space Engineering, Luleå University of Technology.
dc.relation.referencesBichachi, R. (05 de 05 de 2022). Oracle NetSuite . Obtenido de https://www.netsuite.com/portal/resource/articles/accounting/debitscredits.shtml#:~:text=Debits%20and%20credits%20underpin%20a,such%20as%20assets%20and%20liabilitiesblackline.com.(2014)Intercompany Accounting . blackline.com.
dc.relation.referencesBOOKS, A. A. (2023). Validate definition. ACCOUNTING CPE COURSES & BOOKS. Chen, S., Peng, M., Xiong , H., & Wu, S. (2017). An anomaly detection method based on Lasso. China: College of Computer and Information Science, Southwest University, Chongqing.
dc.relation.referencesHosseinzadeh, M., Masoud Rahmani, A., Vo, B., Bidaki, M., Masdari, M., & Zangakani , M. (2023). Improving security using SVM-based anomaly detection: issues and challenges. Vietnam: Institute of Research and Development, Duy Tan University, Da Nang.
dc.relation.referencesKelly, B. T., & Xiu, D. (2023). FINANCIAL MACHINE LEARNING. Cambridge: NATIONAL BUREAU OF ECONOMIC RESEARCH.
dc.relation.referencesKopcan, J., Klimo, M., & Skvarek, O. (2021). Anomaly detection using Autoencoders and Deep Convolution Generative Adversarial Networks. Zilina: University of Zilina, Faculty of Management Sciences and Informatics, Department of Information Networks.
dc.relation.referencesLogo, K. D., Chuong Do ORCID logo , & G. Raymundo, F. (2022). Principal Component Analysis and Factor Analysis in Accounting Research. University of Arkansas.
dc.relation.referencesTaylor, B. (08 de septiembre de 2022). softledger.com. Obtenido de Intercompany Eliminations Guide (With Examples): https://softledger.com/blog/guidetointercompany-eliminations-withexamples#:~:text=Intercompany%20eliminations%20cancel%20intercompany%20transactions,we%27ll%20discuss%20specific%20scenarios%20below
dc.relation.referencesWolters Kluwer. (14 de Octubre de 2020). wolterskluwer.com. Obtenido de Making adjusting entries for unrecorded items: https://www.wolterskluwer.com/en/expertinsights/making-adjusting-entries-for-unrecorded-items
dc.relation.referencesXu, H., Pang, G., Wang, Y., & Wang, Y. (2023). Deep Isolation Forest for Anomaly Detection. Issue: IEEE Transactions on Knowledge and Data Engineering
dc.rightsAtribución-NoComercial-CompartirIgual 4.0 Internacionalen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subjectInvestigación
dc.subjectMachine learning
dc.subjectAnomalías contables
dc.subjectEntidad financiera
dc.subjectFactoring
dc.subjectAdministración financiera
dc.subjectAprendizaje supervisado
dc.subjectÁrboles de decisión
dc.subjectGestión financiera
dc.subjectAnálisis financiero
dc.subject.keywordsResearch
dc.subject.keywordsMachine learning
dc.subject.keywordsAccounting anomalies
dc.subject.keywordsFinancial entity
dc.subject.keywordsFactoring
dc.subject.keywordsFinancial administration
dc.subject.keywordsSupervised learning
dc.subject.keywordsDecision trees
dc.subject.keywordsFinancial management
dc.subject.keywordsFinancial analysis
dc.titleClasificador de anomalías contables en operaciones de factoring financiero mediante modelos de aprendizaje automático enfocado en la modalidad de descuento de títulos valor
dc.title.translatedClassifier of accounting anomalies in financial factoring operations using machine learning models focused on the discounting mode of securities

Archivos

Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Trabajo de grado.pdf
Tamaño:
1.16 MB
Formato:
Adobe Portable Document Format
Descargar

Colecciones

Maestría Estadística Aplicada y Ciencia de Datos