Please use this identifier to cite or link to this item: http://repository.eia.edu.co/handle/11190/2252
Title: Modelo neuronal borroso: su utilidad para el cálculo de la TIR en proyectos de inversión con tasas variables
Authors: Duque Ochoa, Marcela
Marín González, Juan Francisco
Adviser: Peña Palacio, Juan Alejandro
Keywords : Modelo neuronal borroso
TIR
Proyectos de inversión
Tasas variables
Issue Date: 2018
Publisher: Universidad EIA
Abstract: Ante la complejidad y la cantidad de variables que se pueden presentar en la evaluación financiera de un proyecto, es indispensable caracterizar cada una de dichas variables y entender cómo estas pueden afectar por su variación las diferentes herramientas de evaluación financiera, tales como el VPN o la TIR. Este trabajo de grado pretende desarrollar un modelo neuro-borroso que permita estimar el valor de la TIR y la probabilidad de ocurrencia del valor anteriormente estimado en proyectos de inversión considerando tasas variables. Para esto se diseñará un sistema de inferencia neuro-difuso (ANFIS) que permita caracterizar y agrupar las tasas variables propias de un proyecto de inversión en diferentes conjuntos según su pertenencia a estos, para así, en función de dichas tasas realizar el respectivo proceso de aprendizaje con el propósito de predecir la TIR asociada a dicha combinación de variables. Posteriormente, se modificará la red neuronal diseñada utilizando modelos Logit que permitan calcular la probabilidad de ocurrencia para el valor asociado a la TIR. Finalmente, el modelo propuesto permitirá diseñar un conjunto de reglas en función de las tasas del proyecto que permitan caracterizar la TIR, considerando la magnitud esperada y la probabilidad de ocurrencia asociada a dicho valor. De este modo se tendrá un modelo que permitirá a los interesados evaluar financieramente proyectos de inversión considerando el dinamismo de todos los diferentes elementos que pudiesen estar asociados a tales proyectos.
Abstract (English): Given the complexity and quantity of variables that can be presented in the financial evaluation of a project, it is essential to characterize each of these variables and understand how these can affect the different financial evaluation tools, such as the NPV or the TIR. This degree work aims to develop a neuro-fuzzy model that allows to estimate the value of the IRR and the probability of occurrence of the value previously estimated in investment projects considering variable rates. For this purpose, a neuro-diffuse inference system (ANFIS) will be designed to characterize and group the variable rates inherent to an investment project in different groups according to their membership, in order to, in accordance with said rates, carry out the respective process of learning, with the purpose of predicting the IRR associated with said combination of variables. Subsequently, the neural network designed using Logit models will be modified to calculate the probability of occurrence for the value associated with the IRR. Finally, the proposed model allows a set of rules based on the project's rates that allow the IRR to be characterized, considering the expected magnitude and the probability of occurrence associated with said value. In this way, there will be a model that will allow those interested to evaluate the investment projects, considering the dynamism of all the different elements that could be associated with such projects.
Description: 60 páginas
URI: http://repository.eia.edu.co/handle/11190/2252
Citation: Duque Ochoa, M. y Marín González, J.F. (2018) Modelo neuronal borroso: su utilidad para el cálculo de la TIR en proyectos de inversión con tasas variables (Trabajo de grado). Recuperado de: http://repository.eia.edu.co/handle/11190/2252
Autorization: openAccess
Location: ADMI/1155
Appears in Collections:Ingeniería Administrativa

Files in This Item:
File Description SizeFormat 
DuqueMarcela_2018_ModeloNeuronalBorroso.pdfTrabajo de grado1.89 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.