Machine Learning aplicado a la eficiencia de pagos 24x7: soluciones en escenarios de alta volatilidad

Loading...
Thumbnail Image

Identifiers

Publication date

Authors

Serrano Rodríguez, Antonio

Other responsabilities

Universidade da Coruña. Facultade de Informática

Journal Title

Bibliographic citation

Type of academic work

Abstract

[Resumen] El sistema financiero actual afronta una transformación estructural impulsada por la inmediatez de los pagos digitales como Bizum y SEPA Instant. Esta operativa 24/7 contrasta con la arquitectura de liquidación del Eurosistema, donde el sistema mayorista TARGET2 permanece cerrado durante fines de semana y festivos. Esta asincronía genera el “riesgo de fin de semana”, obligando a las entidades a realizar una pre-financiación estimada en sus cuentas DCA del sistema TIPS. Una estimación incorrecta conlleva un doble riesgo: el riesgo de ruptura (sanciones regulatorias y parálisis operativa) o un elevado coste de oportunidad por capital ocioso. Este Trabajo de Fin de Grado desarrolla un motor predictivo basado en Machine Learning y Data Analysis para optimizar esta gestión de liquidez. Siguiendo la metodología CRISP-DM, se implementa una estrategia de ingeniería de características sobre variables exógenas y escalado dinámico móvil. La solución articula una función de pérdida asimétrica personalizada con penalización cúbica por infracobertura, un Meta-Ensamble adaptativo en flujo para asimilar cambios de régimen en tiempo real y una capa de gobernanza neuro-simbólica mediante Programación de Conjuntos Respuesta (ASP con Clingo) que garantiza determinísticamente los mínimos prudenciales regulatorios. Los resultados sientan las bases para la futura transición hacia la IA Agéntica en la tesorería bancaria.
[Abstract] The modern banking system is undergoing a structural transformation driven by the realtime nature of digital payments such as Bizum and SEPA Instant. This 24/7 operational demand clashes with the Eurosystem’s settlement architecture, where the TARGET2 wholesale system remains closed during weekends and holidays. This asynchrony creates the “weekend risk,” forcing financial institutions to perform estimated pre-funding in their TIPS Dedicated Cash Accounts (DCA). Inaccurate estimation leads to dual risks: operational breach (regulatory penalties and operational paralysis) or a high opportunity cost of idle capital. This Bachelor’s Thesis develops a predictive engine based on Machine Learning and Data Analysis to optimize liquidity management. Following the CRISP-DM methodology, a feature engineering strategy is implemented using exogenous variables and robust dynamic scaling. The solution combines a custom asymmetric loss function with a cubic penalty for undercoverage, a dynamic Meta-Ensemble capable of real-time online adaptation, and a neurosymbolic governance layer using Answer Set Programming (ASP with Clingo) to deterministically enforce prudential regulatory requirements. The findings establish the foundation for the future transition toward Agentic AI in bank treasury management.

Description

Editor version

Rights

Attribution 4.0 International
Attribution 4.0 International

Except where otherwise noted, this item's license is described as Attribution 4.0 International