Pronóstico de la inflación colombiana : una aproximación desde los modelos machine learning
El objetivo de este trabajo es pronosticar la inflación mensual de colombiana a partir de sus determinantes macroeconómicos. Se utilizan 7 modelos de machine learning: regresión lineal, SMV, Arboles de Decisión, MLP, KNN, SVR y LSTM, y 1 modelo convencional ARIMA. Los modelos de mejor pronóstico fue...
- Autores:
-
Loaiza Zapata, José Fernando
- Tipo de recurso:
- Fecha de publicación:
- 2022
- Institución:
- Universidad EAFIT
- Repositorio:
- Repositorio EAFIT
- Idioma:
- OAI Identifier:
- oai:repository.eafit.edu.co:10784/32203
- Acceso en línea:
- http://hdl.handle.net/10784/32203
- Palabra clave:
- Pronóstico
ARIMA
INFLACIÓN
INFLACIÓN - PAÍSES EN DESARROLLO
ECONOMETRÍA
APRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL)
CANASTA FAMILIAR
Inflation
Forecast
Machine learning
- Rights
- License
- Todos los derechos reservados
id |
REPOEAFIT2_55de433b97739d1c55a3386fe1bafb72 |
---|---|
oai_identifier_str |
oai:repository.eafit.edu.co:10784/32203 |
network_acronym_str |
REPOEAFIT2 |
network_name_str |
Repositorio EAFIT |
repository_id_str |
|
spelling |
Londoño Sierra, Liz JeannethRiascos Salas, Jaime AndrésLoaiza Zapata, José FernandoEconomistajfloaizaz@eafit.edu.coMedellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degrees2023-03-03T20:14:22Z20222023-03-03T20:14:22Zhttp://hdl.handle.net/10784/32203332.41 L795El objetivo de este trabajo es pronosticar la inflación mensual de colombiana a partir de sus determinantes macroeconómicos. Se utilizan 7 modelos de machine learning: regresión lineal, SMV, Arboles de Decisión, MLP, KNN, SVR y LSTM, y 1 modelo convencional ARIMA. Los modelos de mejor pronóstico fueron los ARIMA y el LSTM. Aunque, puede mejorarse la predicción del LSTM haciendo una óptima arquitectura de los datos dado que logra capturar los cambios drásticos de las variables, incluso podría mejorar si se incluye el comportamiento de cada una de las divisiones que componen la canasta básica.The objective of this paper is to forecast monthly Colombian inflation based on its macroeconomic determinants. 7 machine learning models are used: linear regression, SMV, Decision Trees, MLP, KNN, SVR and LSTM, and 1 conventional ARIMA model. The models with the best prognosis were the ARIMA and the LSTM. Although, the prediction of the LSTM can be improved by making an optimal architecture of the data since it manages to capture the drastic changes of the variables, it could even be improved if the behavior of each of the divisions that make up the basic basket is included.Universidad EAFITEconomíaEscuela de Finanzas, Economía y Gobierno. Departamento de Economía.Medellínhttps://colab.research.google.com/drive/1ljBJjqn9hwHQ8eZCbZDcT6BEOY8BXqTuhttps://colab.research.google.com/drive/1H6tEcxq_D2QI40dzIRlEihev1iIy-m56Todos los derechos reservadosAcceso abiertohttp://purl.org/coar/access_right/c_abf2PronósticoARIMAINFLACIÓNINFLACIÓN - PAÍSES EN DESARROLLOECONOMETRÍAAPRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL)CANASTA FAMILIARInflationForecastMachine learningPronóstico de la inflación colombiana : una aproximación desde los modelos machine learningbachelorThesisinfo:eu-repo/semantics/bachelorThesisTrabajo de gradoacceptedVersionMonografíahttp://purl.org/coar/resource_type/c_7a1fLICENSElicense.txtlicense.txttext/plain; charset=utf-82556https://repository.eafit.edu.co/bitstreams/10555cb7-ba21-4035-bca5-2cde612fc0a7/download76025f86b095439b7ac65b367055d40cMD51ORIGINALEVALUACION-Loaiza_Jose[3562].pdfEVALUACION-Loaiza_Jose[3562].pdfapplication/pdf148171https://repository.eafit.edu.co/bitstreams/1b48e01b-bd35-47db-ac77-e292c807f09b/download3ba3a34a641cdf0da546969fc26445efMD52formulario_autorizacion_publicacion_obras_jose_loaiza.pdfformulario_autorizacion_publicacion_obras_jose_loaiza.pdfFormulario de autorización de publicación de obrasapplication/pdf516639https://repository.eafit.edu.co/bitstreams/b6eef98e-075f-458e-8453-abee13ba767b/download96619725e2d4b31aeba88d5b6aa2e8f0MD53Tesis Jose2.1.pdfTesis Jose2.1.pdfTrabajo de gradoapplication/pdf599198https://repository.eafit.edu.co/bitstreams/f36cceb0-c8fd-44cb-870e-167188cc214b/download16fce44be3b987bbcc8a735a2bb79132MD54carta-aprobacion-trabajo-grado-eafit.pdfcarta-aprobacion-trabajo-grado-eafit.pdfCarta de aprobación de tesis de gradoapplication/pdf121175https://repository.eafit.edu.co/bitstreams/ba6f1fe0-7239-4ba8-9ea6-efba55fe594b/download88a61d277ca70381aca10498a52a7bf6MD5510784/32203oai:repository.eafit.edu.co:10784/322032023-03-03 15:14:22.801restrictedhttps://repository.eafit.edu.coRepositorio Institucional Universidad EAFITrepositorio@eafit.edu.co |
dc.title.spa.fl_str_mv |
Pronóstico de la inflación colombiana : una aproximación desde los modelos machine learning |
title |
Pronóstico de la inflación colombiana : una aproximación desde los modelos machine learning |
spellingShingle |
Pronóstico de la inflación colombiana : una aproximación desde los modelos machine learning Pronóstico ARIMA INFLACIÓN INFLACIÓN - PAÍSES EN DESARROLLO ECONOMETRÍA APRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL) CANASTA FAMILIAR Inflation Forecast Machine learning |
title_short |
Pronóstico de la inflación colombiana : una aproximación desde los modelos machine learning |
title_full |
Pronóstico de la inflación colombiana : una aproximación desde los modelos machine learning |
title_fullStr |
Pronóstico de la inflación colombiana : una aproximación desde los modelos machine learning |
title_full_unstemmed |
Pronóstico de la inflación colombiana : una aproximación desde los modelos machine learning |
title_sort |
Pronóstico de la inflación colombiana : una aproximación desde los modelos machine learning |
dc.creator.fl_str_mv |
Loaiza Zapata, José Fernando |
dc.contributor.advisor.spa.fl_str_mv |
Londoño Sierra, Liz Jeanneth Riascos Salas, Jaime Andrés |
dc.contributor.author.none.fl_str_mv |
Loaiza Zapata, José Fernando |
dc.subject.spa.fl_str_mv |
Pronóstico ARIMA |
topic |
Pronóstico ARIMA INFLACIÓN INFLACIÓN - PAÍSES EN DESARROLLO ECONOMETRÍA APRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL) CANASTA FAMILIAR Inflation Forecast Machine learning |
dc.subject.lemb.spa.fl_str_mv |
INFLACIÓN INFLACIÓN - PAÍSES EN DESARROLLO ECONOMETRÍA APRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL) CANASTA FAMILIAR |
dc.subject.keyword.spa.fl_str_mv |
Inflation Forecast Machine learning |
description |
El objetivo de este trabajo es pronosticar la inflación mensual de colombiana a partir de sus determinantes macroeconómicos. Se utilizan 7 modelos de machine learning: regresión lineal, SMV, Arboles de Decisión, MLP, KNN, SVR y LSTM, y 1 modelo convencional ARIMA. Los modelos de mejor pronóstico fueron los ARIMA y el LSTM. Aunque, puede mejorarse la predicción del LSTM haciendo una óptima arquitectura de los datos dado que logra capturar los cambios drásticos de las variables, incluso podría mejorar si se incluye el comportamiento de cada una de las divisiones que componen la canasta básica. |
publishDate |
2022 |
dc.date.issued.none.fl_str_mv |
2022 |
dc.date.available.none.fl_str_mv |
2023-03-03T20:14:22Z |
dc.date.accessioned.none.fl_str_mv |
2023-03-03T20:14:22Z |
dc.type.eng.fl_str_mv |
bachelorThesis |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
dc.type.local.spa.fl_str_mv |
Trabajo de grado |
dc.type.hasVersion.eng.fl_str_mv |
acceptedVersion |
dc.type.spa.spa.fl_str_mv |
Monografía |
dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/10784/32203 |
dc.identifier.ddc.none.fl_str_mv |
332.41 L795 |
url |
http://hdl.handle.net/10784/32203 |
identifier_str_mv |
332.41 L795 |
dc.relation.uri.spa.fl_str_mv |
https://colab.research.google.com/drive/1ljBJjqn9hwHQ8eZCbZDcT6BEOY8BXqTu https://colab.research.google.com/drive/1H6tEcxq_D2QI40dzIRlEihev1iIy-m56 |
dc.rights.spa.fl_str_mv |
Todos los derechos reservados |
dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
dc.rights.local.spa.fl_str_mv |
Acceso abierto |
rights_invalid_str_mv |
Todos los derechos reservados Acceso abierto http://purl.org/coar/access_right/c_abf2 |
dc.coverage.spatial.eng.fl_str_mv |
Medellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degrees |
dc.publisher.spa.fl_str_mv |
Universidad EAFIT |
dc.publisher.program.spa.fl_str_mv |
Economía |
dc.publisher.department.spa.fl_str_mv |
Escuela de Finanzas, Economía y Gobierno. Departamento de Economía. |
dc.publisher.place.spa.fl_str_mv |
Medellín |
institution |
Universidad EAFIT |
bitstream.url.fl_str_mv |
https://repository.eafit.edu.co/bitstreams/10555cb7-ba21-4035-bca5-2cde612fc0a7/download https://repository.eafit.edu.co/bitstreams/1b48e01b-bd35-47db-ac77-e292c807f09b/download https://repository.eafit.edu.co/bitstreams/b6eef98e-075f-458e-8453-abee13ba767b/download https://repository.eafit.edu.co/bitstreams/f36cceb0-c8fd-44cb-870e-167188cc214b/download https://repository.eafit.edu.co/bitstreams/ba6f1fe0-7239-4ba8-9ea6-efba55fe594b/download |
bitstream.checksum.fl_str_mv |
76025f86b095439b7ac65b367055d40c 3ba3a34a641cdf0da546969fc26445ef 96619725e2d4b31aeba88d5b6aa2e8f0 16fce44be3b987bbcc8a735a2bb79132 88a61d277ca70381aca10498a52a7bf6 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio Institucional Universidad EAFIT |
repository.mail.fl_str_mv |
repositorio@eafit.edu.co |
_version_ |
1814110187027431424 |