Se presenta la lista de 10 proyectos de investigación aplicada (TRL 6–8) para la carrera de Ingeniería Financiera de la UAGRM, siguiendo el mismo formato riguroso que en los casos anteriores.
—
🎯 Enfoque prioritario para Ingeniería Financiera
· Predicción de precios de activos financieros (acciones, tipo de cambio, commodities) con redes neuronales y datos alternativos.
· Modelos de valor en riesgo (VaR) y riesgo de mercado con deep learning.
· Detección de fraudes financieros y anomalías en transacciones bancarias.
· Optimización de carteras de inversión con aprendizaje por refuerzo.
· Calificación crediticia y scoring para personas y pymes.
· Predicción de quiebra empresarial y estrés financiero.
—
1. BolsaBot – Predicción de precios de acciones de empresas bolivianas (Banco Bisa, Farmacorp, etc.) usando LSTM con noticias financieras (NLP)
Problema científico
El mercado de valores boliviano es pequeño y poco líquido, pero existen empresas con cotización diaria. Los modelos tradicionales (ARIMA, GARCH) no incorporan el impacto de noticias.
Hipótesis principal
Un modelo LSTM bidireccional con capa de atención, que combina series de precios y embeddings de noticias financieras (BERT fine-tuned con titulares locales), reduce el error RMSE en un 30% para horizontes de 1 día respecto a un modelo ARIMA.
Modelo de Red Neuronal Propuesto
LSTM (2 capas, 64 unidades) + atención + fusión tardía con embeddings de noticias. Salida: precio de cierre del día siguiente.
Base teórica
El precio de activos refleja información pública. Las redes neuronales con NLP superan a modelos econométricos (Ding et al., 2020, Journal of Financial Data Science).
Diseño Metodológico
Datos de precios diarios (2015-2025) de la Bolsa Boliviana de Valores. Scraping de titulares de El Deber, La Razón, periódicos económicos. Entrenamiento 80%, validación temporal. Métricas: RMSE, MAPE, dirección de cambio (accuracy).
Viabilidad Técnica (TRL)
TRL 6 – prototipo en servidor GPU. Datos públicos. Costo: $12.000.
Impacto Cuantificable
RMSE reducido un 30% (ej. de Bs 0.50 a Bs 0.35). Precisión de dirección >60%. Útil para traders institucionales.
Aplicabilidad Práctica Inmediata
Sociedades de corretaje (Bisa, Mercantil Santa Cruz), fondos de inversión, traders particulares.
Proyección a 5 años
API “BolsaBot” con predicciones diarias gratuitas para público general. Formación en finanzas algorítmicas.
—
2. VaRDeep – Cálculo de Valor en Riesgo (VaR) para carteras de bancos bolivianos usando redes neuronales recurrentes (LSTM) y volatilidad estocástica
Problema científico
Los modelos de VaR tradicionales (Histórico, Paramétrico, GARCH) no capturan colas gruesas ni cambios de régimen en mercados emergentes.
Hipótesis principal
Un modelo LSTM-GARCH híbrido (LSTM para predecir la varianza condicional + GARCH para residuos) estima el VaR al 99% con una tasa de violaciones (backtesting) dentro del intervalo de confianza esperado (1%), superando a GARCH(1,1) que subestima el riesgo (tasa de violaciones >2%).
Modelo de Red Neuronal Propuesto
LSTM para la varianza condicional (entrada: retornos al cuadrado). Luego, supuesto de distribución t de Student para los residuos estandarizados. Se calcula VaR = – (μ + σ_t * t_{ν, 0.01}).
Base teórica
La volatilidad financiera tiene memoria larga y respuestas asimétricas. Los modelos de deep learning mejoran la precisión del VaR (Kraus & Feuerriegel, 2019, Expert Systems with Applications).
Diseño Metodológico
Datos de retornos diarios de acciones, tipo de cambio y bonos bolivianos (10 años). Backtesting cada 250 días (ventana móvil). Comparación con GARCH(1,1) y VaR histórico.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en Python (TensorFlow Probability). Costo: $15.000.
Impacto Cuantificable
Tasa de violaciones cercana al 1% (vs. >2% en GARCH). Mejor asignación de capital regulatorio (Basilea). Ahorro de capital en un 10% para el banco.
Aplicabilidad Práctica Inmediata
Departamentos de riesgo de bancos, AFPs, fondos de inversión, UIF.
Proyección a 5 años
Sistema “VaRDeep” integrado en software de gestión de riesgos (RiskMetrics, etc.). Certificación por la ASFI.
—
3. FraudeBancario – Detección de transacciones fraudulentas en tarjetas de crédito usando redes neuronales gráficas (GNN) y detección de anomalías
Problema científico
El fraude bancario es escaso (0.1% de transacciones) pero con alta pérdida. Los modelos tradicionales (Random Forest) ignoran las relaciones entre cuentas (redes de complicidad).
Hipótesis principal
Un modelo GraphSAGE que construye un grafo de transacciones (nodos: cuentas; aristas: transferencias) y aprende embeddings nodales, supera a XGBoost en AUC (0,98 vs 0,95) y reduce falsos positivos en un 50% en el top 1% de alertas.
Modelo de Red Neuronal Propuesto
GraphSAGE con agregadores mean y max. Características nodales: frecuencia, monto promedio, desvío, hora del día. Entrenamiento con pérdida de clasificación binaria (fraude/no fraude).
Base teórica
Los fraudes suelen ocurrir en redes organizadas. Los grafos capturan patrones de comportamiento colectivo (Markovitz et al., 2021, Journal of Financial Crime).
Diseño Metodológico
Datos anonimizados de un banco local (1 año, 5 millones de transacciones, 0.2% fraude). Muestreo equilibrado. Entrenamiento con validación temporal. Métricas: AUC, recall@100, precisión@10.
Viabilidad Técnica (TRL)
TRL 6 – prototipo con PyTorch Geometric. Infraestructura: servidor GPU. Costo: $25.000 (incluye convenio con banco).
Impacto Cuantificable
AUC >0,98. Reducción de falsos positivos en 50% (menos molestias a clientes). Recuperación del 20% del monto defraudado.
Aplicabilidad Práctica Inmediata
Bancos, billeteras móviles, cooperativas, procesadores de pago.
Proyección a 5 años
Sistema “FraudeBancario” integrado en la infraestructura de pagos en tiempo real. Estándar para la banca boliviana.
—
4. CarteraRL – Optimización de cartera de inversión (Markowitz) con aprendizaje por refuerzo (SAC) y costos de transacción
Problema científico
El modelo de Markowitz asume retornos estacionarios y sin costos de transacción. En la práctica, rebalancear incurre en comisiones y slippage.
Hipótesis principal
Un agente de aprendizaje por refuerzo (Soft Actor-Critic, SAC) que rebalancea semanalmente una cartera de 5 activos (acciones, bonos, tipo de cambio) maximiza el ratio de Sharpe neto de costos en un 30% superior a la estrategia de Markowitz con rebalanceo mensual (backtest 2015-2024).
Modelo de Red Neuronal Propuesto
SAC (actor-crítico con entropía) con estado: retornos históricos, volatilidad, precio actual. Acción: pesos de cartera (suma=1). Recompensa: retorno neto de costos.
Base teórica
El RL es superior para problemas de optimización de cartera dinámica con fricciones (Charpentier et al., 2021, Quantitative Finance).
Diseño Metodológico
Datos de activos locales (2015-2024). Entrenamiento del agente con datos 2015-2022, backtest fuera de muestra 2023-2024. Comparación con Markowitz (covarianza móvil) y Buy&Hold.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en Python (Stable-Baselines3). Costo: $15.000.
Impacto Cuantificable
Ratio de Sharpe >0.8 (vs 0.6 en Markowitz). Menor rotación (menores costos). Benchmark para fondos de inversión.
Aplicabilidad Práctica Inmediata
AFPs (administradoras de fondos de pensiones), fondos mutuos, family offices.
Proyección a 5 años
Sistema “CarteraRL” disponible como servicio para asesores financieros. Integración con plataformas de trading.
—
5. CreditScorePyme – Modelo de scoring crediticio para pymes bolivianas usando TabNet y datos alternativos (facturación electrónica, redes sociales, pagos de servicios)
Problema científico
Las pymes no tienen historial crediticio formal. Los bancos usan garantías, no scoring. Datos alternativos pueden predecir default.
Hipótesis principal
Un modelo TabNet (red neuronal para datos tabulares) entrenado con datos de 5,000 pymes (facturación SIN, pagos de luz/agua, presencia web, antigüedad) predice el default a 12 meses con AUC >0,85, superando a la regresión logística (AUC=0,70).
Modelo de Red Neuronal Propuesto
TabNet con atención, características pre-seleccionadas por boruta. Salida binaria.
Base teórica
Los datos alternativos reducen la asimetría de información en crédito pyme (Berg et al., 2020, Review of Financial Studies).
Diseño Metodológico
Datos de una cooperativa de ahorro (5 años, convenio). Entrenamiento con validación temporal. Métricas: AUC, Gini, precisión por decil.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en servidor. Costo: $18.000.
Impacto Cuantificable
AUC >0,85. Aprobación de créditos a pymes que antes eran rechazadas, manteniendo tasa de default <8%. Incremento de cartera crediticia en un 20%.
Aplicabilidad Práctica Inmediata
Bancos, cooperativas, microfinancieras (Banco FIE, Prodem, Los Andes).
Proyección a 5 años
Plataforma “CreditScorePyme” integrada con la facturación electrónica (SIN). Servicio para todo el sistema financiero.
—
6. QuiebraPredict – Predicción de quiebra empresarial para empresas medianas de Santa Cruz usando XGBoost y ratios financieros dinámicos
Problema científico
Los modelos de quiebra (Altman Z-score) fueron desarrollados para empresas grandes en EE.UU. No funcionan bien en Bolivia.
Hipótesis principal
Un modelo XGBoost entrenado con ratios financieros (liquidez, endeudamiento, rentabilidad) de 500 empresas (quebradas y no quebradas) predice la quiebra a 2 años con AUC >0,90, superando al Z-score (AUC=0,70).
Modelo de Red Neuronal Propuesto
XGBoost con búsqueda de hiperparámetros. Características: 20 ratios financieros (evolución en los últimos 3 años), sector económico, tamaño.
Base teórica
El machine learning supera a los modelos paramétricos en predicción de quiebra (Lessmann et al., 2015, European Journal of Operational Research).
Diseño Metodológico
Base de datos de empresas (Cámara de Comercio, Impuestos) con indicador de quiebra (cierre, concurso). Entrenamiento 80%, validación 20%. Métricas: AUC, sensibilidad, especificidad.
Viabilidad Técnica (TRL)
TRL 6 – prototipo con datos anonimizados (convenio con Cámara de Comercio). Costo: $12.000.
Impacto Cuantificable
AUC >0,90. Alertas tempranas para acreedores (proveedores, bancos). Reducción de pérdidas por incobrables en un 25%.
Aplicabilidad Práctica Inmediata
Bancos (área de riesgos), aseguradoras de crédito, proveedores a crédito, inversionistas.
Proyección a 5 años
Servicio “QuiebraPredict” integrado en centrales de riesgo (equifax, etc.).
—
7. ForexBot – Estrategia de trading algorítmico para el par USD/BOB (mercado paralelo) usando aprendizaje por refuerzo profundo (PPO)
Problema científico
El tipo de cambio paralelo en Bolivia es volátil y reacciona a noticias. Las estrategias de trading manual son subjetivas.
Hipótesis principal
Un agente PPO (Proximal Policy Optimization) entrenado con datos de 5 años (precio, volumen, noticias codificadas) genera retornos anuales netos (después de comisiones) del 15% con un drawdown máximo <10%, superando a una estrategia de comprar y mantener.
Modelo de Red Neuronal Propuesto
PPO (actor-crítico) con redes de política de 2 capas. Estado: precio actual, media móvil 5 y 20, RSI, sentimiento de noticias. Acciones: comprar, vender, mantener. Recompensa: retorno de la operación menos comisión.
Base teórica
El RL es exitoso en trading de forex (Dixon et al., 2020, Journal of Financial Data Science).
Diseño Metodológico
Datos diarios del tipo de cambio paralelo (2018-2025) más noticias económicas (scraping). Entrenamiento con 2018-2022, validación con 2023-2024. Backtesting con comisiones realistas (0.5% por operación).
Viabilidad Técnica (TRL)
TRL 6 – prototipo en simulador. Costo: $15.000. Para trading real se requiere autorización regulatoria.
Impacto Cuantificable
Retorno anual 15%, Sharpe >1.0. Herramienta de apoyo para traders de casas de cambio.
Aplicabilidad Práctica Inmediata
Casas de cambio, tesorerías de empresas exportadoras/importadoras.
Proyección a 5 años
Sistema “ForexBot” con licencia para uso institucional. Investigación de mercado.
—
8. StressTest – Pruebas de estrés macrofinanciero para el sistema bancario boliviano usando redes neuronales generativas adversarias (GAN) para simular escenarios extremos
Problema científico
Las pruebas de estrés bancario usan escenarios históricos (ej. crisis 2008). Las GAN pueden generar escenarios realistas pero no vistos.
Hipótesis principal
Una GAN (TimeGAN) entrenada con series macrofinancieras (PIB, inflación, tipo de cambio, morosidad) genera 10,000 trayectorias sintéticas de 4 años. Las trayectorias del 1% más extremo (cola) producen pérdidas crediticias que son un 30% superiores a los escenarios históricos, revelando vulnerabilidades no capturadas.
Modelo de Red Neuronal Propuesto
TimeGAN (red generadora y discriminadora con LSTM) para series temporales. Luego se calculan pérdidas crediticias con un modelo de riesgo (regresión logística).
Base teórica
Las GAN generan escenarios de estrés más realistas que supuestos paramétricos (Li et al., 2021, Journal of Financial Stability).
Diseño Metodológico
Series trimestrales (2000-2024) de Bolivia. Entrenamiento de TimeGAN. Generación de escenarios sintéticos. Cálculo de pérdidas esperadas para un banco típico. Comparación con escenarios históricos (crisis 2008, COVID).
Viabilidad Técnica (TRL)
TRL 6 – prototipo en Python (TensorFlow). Costo: $18.000.
Impacto Cuantificable
Identificación de vulnerabilidades no evidentes (ej. combinación de sequía + devaluación). Mejor planificación de capital por parte de bancos y ASFI.
Aplicabilidad Práctica Inmediata
ASFI (Autoridad de Supervisión del Sistema Financiero), bancos centrales, departamentos de riesgo bancario.
Proyección a 5 años
Metodología “StressTest” adoptada como estándar en la supervisión bancaria boliviana.
—
9. LiquidezBanco – Predicción de necesidades de liquidez (encaje legal) en bancos usando redes neuronales LSTM con datos de flujo de caja de clientes
Problema científico
Los bancos deben mantener encaje legal. La liquidez diaria es volátil por depósitos y retiros. La falta de liquidez genera costos por préstamos interbancarios.
Hipótesis principal
Un modelo LSTM que procesa series horarias de depósitos y retiros de 10,000 clientes (agregados anónimamente) predice la liquidez neta (depósitos – retiros) para el día siguiente con error MAE <5% del encaje requerido, permitiendo optimizar el saldo en cuenta corriente del banco.
Modelo de Red Neuronal Propuesto
LSTM con atención, entrada: 7 días de datos horarios. Salida: predicción de saldo neto a las 24h. Además, modelo de clasificación para saber si habrá déficit.
Base teórica
La gestión de liquidez bancaria es un problema de forecasting con alta estacionalidad (días de pago, fin de mes). Deep learning mejora las predicciones (Lopez et al., 2020, Journal of Banking & Finance).
Diseño Metodológico
Datos anonimizados de un banco local (2 años, agregados por hora). Entrenamiento con 80%, validación temporal. Métricas: MAE en valor absoluto y porcentual.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en servidor. Costo: $15.000.
Impacto Cuantificable
Reducción del 20% en préstamos interbancarios de emergencia (ahorro de intereses). Mejor cumplimiento del encaje legal.
Aplicabilidad Práctica Inmediata
Tesorerías de bancos, cooperativas, entidades financieras.
Proyección a 5 años
Módulo “LiquidezBanco” integrado en sistemas core bancarios (ERP financiero).
—
10. ArbitrajeCripto – Detección de oportunidades de arbitraje entre exchanges de criptomonedas (Binance, Kucoin) usando redes neuronales y ejecución algorítmica
Problema científico
El arbitraje de criptomonedas (comprar barato en un exchange, vender caro en otro) es fugaz (segundos). Se requiere detección y ejecución ultrarrápida.
Hipótesis principal
Un modelo de diferencia de precios con redes neuronales (MLP) que corrige por latencia y costos de transacción (fee, slippage), identifica oportunidades rentables (>0.5% neto) con una tasa de acierto >80% en simulación de alta frecuencia (1 seg).
Modelo de Red Neuronal Propuesto
MLP rápido (3 capas) que recibe los precios de los últimos 10 segundos de 3 exchanges y predice si la diferencia de precios superará el umbral de costos en el próximo segundo.
Base teórica
El arbitraje en criptomonedas es un problema de predicción de series temporales de alta frecuencia (Makarov & Schoar, 2020, Journal of Finance).
Diseño Metodológico
Recopilación de datos de precio de BTC/USD de 3 exchanges (Binance, Kucoin, Bybit) durante 1 mes (cada segundo). Simulación de trades con costos reales (0.1% fee). Entrenamiento del MLP. Backtesting.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en simulación. Para ejecución real se necesita colocar servidores cerca de los exchanges. Costo: $20.000 (infraestructura de datos).
Impacto Cuantificable
Retorno simulado >1% mensual neto. Herramienta educativa para trading algorítmico.
Aplicabilidad Práctica Inmediata
Fondos de inversión en cripto, traders institucionales, fintech.
Proyección a 5 años
Sistema “ArbitrajeCripto” con licencia para uso comercial. Formación en finanzas cuantitativas.
—
📌 Nota final
Estos 10 proyectos para Ingeniería Financiera cubren:
· Predicción de activos y riesgo (1, 2, 7, 9)
· Optimización de carteras y trading (4, 7, 10)
· Scoring y quiebra (5, 6)
· Fraude y detección de anomalías (3)
· Pruebas de estrés (8)
Costos entre $12.000 y $25.000, TRL 6–7. Viables en la UAGRM con articulación DEIS (extensión a bancos, AFPs, ASFI) y DICIT (infraestructura de datos). Se requiere establecer convenios con entidades financieras para acceso a datos anonimizados.