Publication: Análisis de rentabilidad del sistema bancario panameño
Loading...
Official URL
Full text at PDC
Publication Date
2019
Authors
Advisors (or tutors)
Editors
Journal Title
Journal ISSN
Volume Title
Publisher
Citations
Exportar
Abstract
En este trabajo se evalúa los principales determinantes que influyen en la rentabilidad de los bancos de Panamá, mediante técnicas de árboles de decisión y redes neuronales. El objetivo del trabajo es predecir la rentabilidad bancaria y evaluar cuál de las dos técnicas empleadas es más eficaz para predecir la rentabilidad de los bancos panameños. Se utilizaron los datos de cuarenta y seis bancos durante un período de 2015-2018. Las variables independientes utilizadas se dividieron en factores externos al banco (variables macroeconómicas) y factores internos o específicos del banco (ratios financieros). A su vez, los ratios están divididos para medir liquidez, solvencia, calidad del crédito, eficiencia y tamaño. Como variable dependiente se utilizó el rendimiento sobre los activos (ROA). Los resultados obtenidos indican que la liquidez, la calidad del crédito y la variable control tamaño son importantes para determinar la rentabilidad bancaria. Con el estudio se concluye que la red neuronal artificial es mejor para predecir la rentabilidad del sistema bancario panameño.
This paper evaluates determinants that influence the profitability of Panama's banks, using decision tree and neural networks. The objective of the research is to predict bank profitability and evaluate which of the two techniques used is most effective in predicting the profitability of Panamanian banks. The data from 46 banks was used during a period of 2015-2018. The independent variables used were divided in factors external to the bank (macroeconomic variables) and internal or specific factors of the bank (financial ratios). At the same time, the ratios are divided to measure liquidity, solvency, credit quality, efficiency and size. As dependent variable, the return on assets (ROA) was used. The results obtained indicate that liquidity, credit quality and variable control size are important to determine bank profitability. Based on the results obtained, it can be concluded that the artificial neural network is better to predict the profitability of the Panamanian banking system.
This paper evaluates determinants that influence the profitability of Panama's banks, using decision tree and neural networks. The objective of the research is to predict bank profitability and evaluate which of the two techniques used is most effective in predicting the profitability of Panamanian banks. The data from 46 banks was used during a period of 2015-2018. The independent variables used were divided in factors external to the bank (macroeconomic variables) and internal or specific factors of the bank (financial ratios). At the same time, the ratios are divided to measure liquidity, solvency, credit quality, efficiency and size. As dependent variable, the return on assets (ROA) was used. The results obtained indicate that liquidity, credit quality and variable control size are important to determine bank profitability. Based on the results obtained, it can be concluded that the artificial neural network is better to predict the profitability of the Panamanian banking system.
Description
UCM subjects
Unesco subjects
Keywords
Citation
Albertazzi, U., & Gambacorta, L. (2006). Bank profitability and the business cycle number 601. Banca D'Italia, (601), 1-39.
Alexiou, C., & Sofoklis, V. (2009). Determinants of bank profitability: Evidence from the Greek banking sector. Ekonomski Anali, 54 (182), 93-118.
Alves e Souza, J., Mendonça, D. J., de Benedicto, G. C., & Carvalho, F. d. M. (2017). Application of factor analysis to identify the main indicators of economic and financial performance in banking financial institutions. Revista Catarinense Da Ciência Contábil, 16 (47), 26-41.
Bakar, N. M. A., & Tahir, I. M. (2009). Applying multiple linear regression and neural network to predict bank performance. International Business Research, 2 (4), 8.
Berlanga Silvente, V., Rubio Hurtado, M. J., & Vilá Baños, R. (2013). Cómo aplicar árboles de decisión en SPSS. Revista D' Innovació i Recerca En Educació, 6(1), 67, 75-77.
Bernal Turnes, P., Ampudia Fernández, J., & Torres Pruñonosa, J. (2010). Análisis de la estructura financiera de entidades bancarias. Ediciones La Coria, 301, 2-6.
Blanco González, A., Mercado Idoeta, C., & Bernal Turnes, P. (2007). Evaluación y modelización de la estructura financiera de entidades financiera para medir su rendimiento. Asociación Europea de Dirección y Economía de Empresa 1(20), 86-88.
Blanco Mendialdua, A. (2015). Gestión de entidades financieras: Un enfoque práctico de la gestión bancaria actual. Madrid: ESIC. 230-232.
Booyens, M., Nayagar, K., & L le Roux, C. (2016). An empirical analysis of South African bank profitability. Economies, 6(3), 1-10.
Davydenko, A. (2010). Determinants of bank profitability in Ukraine. Undergraduate Economic Review, 7(2), 32.
Dirección de Estudios Financieros. (2017). Informe de estabilidad financiera. Panamá: Superintendencia de Bancos de Panamá
Fernández, J. A., Bejarano Vázquez, V., & Vicente Virsela, J. A. (2013). Métodos de Predicción de Riesgos dn Entidades de Depósito en España 160b.
Fuentes García, D. (2016). Determinantes de la rentabilidad bancaria española antes y después de la crisis financiera. Alcalá de Henares: Universidad de Alcalá, Servicio de Publicaciones.
González Pérez, A. L., Correa Rodríguez, A., & Acosta Medina, M. (2002). Factores determinantes de la rentabilidad financiera de las PYMES. Revista Española De Financiación Y Contabilidad, 31(112), 395-429.
IBM. (2011). IBM SPSS neural networks 20. Estados Unidos: Copyright IBM Corporation. 4, 44-47.
Ley orgánica del banco nacional de panamá, (2017). Retrieved from http://www.bibliothek.uni-regensburg.de/ezeit/?2407089.
López Pascual, J., & Sebastián González, A. (2008). Gestión bancaria: Factores claves en un entorno competitivo (3ª ed. ed.). Madrid: McGraw Hill. 195-2008.
Magerman, D. M. (1995b). Statistical decision-tree models for parsing. Proceedings of the 33rd Annual Meeting on Association for Computational Linguistics, 276–283.
Mallo, P. E., Artola, M. A., Zanfrillo, A. I., Morettini, M., Galante, M. J., Busetto, A. R., & Pascual, M. E. (2007). Un aporte al análisis de la rentabilidad de entidades financieras de la República Argentina. Congreso de la sociedad internacional de
gestión y economía fuzzy. 6-8.
Mateos, Gregoria, (2018). Análisis factorial. Apuntes de la asignatura Estadística Actuarial III, del Máster en Ciencias Actuariales y Financieras, Facultad de Ciencias Económicas y Empresariales, Universidad Complutense de Madrid. Curso académico 2018/2019.
Pérez Marqués, M. (2014). Minería de datos a través de ejemplos. Madrid: RC Libros. 232-285.
Petria, N., Capraru, B., & Ihnatov, I. (2015). Determinants of banks’ profitability: Evidence from EU 27 banking systems. Procedia Economics and Finance, 20, 518-524.
Normativa bancaria de Panamá U.S.C. (2017). Unidad de Monitoreo y Análisis de la Competitividad (UMAC) del Centro Nacional de Competitividad (CNC) Panamá. (2014). Competitividad al día no. 193 - importancia del sector bancario para la competitividad panameña, (193), 2.
REFERENCIAS ELECTRÓNICAS
Banco de España. Definición de rentabilidad. Recuperado el 10 de abril de 2019, de https://app.bde.es/atz_www/jsp/webSearch.jsp?acceso=bde&idioma=es&tipo=glosarioGen&T5=RELEVANCE&T1=rentabilidad.
Consejo de Coordinación Financiera. Sistema financiero panameño. Recuperado el 20 de marzo de 2019, de https://www.ccf.gob.pa/resena.html.
Diario de actualidad argentino Infobae. ¿Qué son los panama papers?.Recuperado el 14 de junio de 2019, de https://www.infobae.com/politica/2019/04/09/que-son-lospanama-papers/.
Instituto Nacional de Estadística y Censo de Panamá. Variables macroeconómicas. Recuperado el 03 de marzo de 2019, de https://www.contraloria.gob.pa/inec/.
Roanboc. (2016). Prototipo de una red neuronal artificial con arquitectura dinámica basada en el proceso de neurogénesis de redes neuronales maduras. Retrieved from https://roanboc.wordpress.com/2016/11/20/prototipo-de-una-red-neuronalartificial-con-arquitectura-dinamica-basada-en-el-proceso-de-neurogenesis-deredes-neuronales-maduras/.
Superintendencia de Bancos de Panamá. Estados financieros de los bancos, informes financieros y estadísticas publicadas. Recuperado el 21 de mayo de 2019, de https://www.superbancos.gob.pa/.