Redes neuronales regularizadas para la predicción de la inflación colombiana
Ilustraciones
- Autores:
-
Carmona Restrepo, Natalia
- Tipo de recurso:
- Fecha de publicación:
- 2022
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/81484
- Palabra clave:
- 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores
330 - Economía
Redes neuronales (computadores)
Inflación - Métodos estadísticos
Análisis de series de tiempo
Redes neuronales
Inflación
Selección de variables
Neural networks
Forecasting
Inflation
Variable selection
- Rights
- openAccess
- License
- Reconocimiento 4.0 Internacional
| id |
UNACIONAL2_ca7e2f928aba8a397cf94590b438576f |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/81484 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Redes neuronales regularizadas para la predicción de la inflación colombiana |
| dc.title.translated.eng.fl_str_mv |
Colombian inflation forecasting by regularized neural networks |
| title |
Redes neuronales regularizadas para la predicción de la inflación colombiana |
| spellingShingle |
Redes neuronales regularizadas para la predicción de la inflación colombiana 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores 330 - Economía Redes neuronales (computadores) Inflación - Métodos estadísticos Análisis de series de tiempo Redes neuronales Inflación Selección de variables Neural networks Forecasting Inflation Variable selection |
| title_short |
Redes neuronales regularizadas para la predicción de la inflación colombiana |
| title_full |
Redes neuronales regularizadas para la predicción de la inflación colombiana |
| title_fullStr |
Redes neuronales regularizadas para la predicción de la inflación colombiana |
| title_full_unstemmed |
Redes neuronales regularizadas para la predicción de la inflación colombiana |
| title_sort |
Redes neuronales regularizadas para la predicción de la inflación colombiana |
| dc.creator.fl_str_mv |
Carmona Restrepo, Natalia |
| dc.contributor.advisor.none.fl_str_mv |
Villa Garzón, Fernán Alonso |
| dc.contributor.author.none.fl_str_mv |
Carmona Restrepo, Natalia |
| dc.subject.ddc.spa.fl_str_mv |
000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores 330 - Economía |
| topic |
000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores 330 - Economía Redes neuronales (computadores) Inflación - Métodos estadísticos Análisis de series de tiempo Redes neuronales Inflación Selección de variables Neural networks Forecasting Inflation Variable selection |
| dc.subject.lemb.none.fl_str_mv |
Redes neuronales (computadores) Inflación - Métodos estadísticos Análisis de series de tiempo |
| dc.subject.proposal.spa.fl_str_mv |
Redes neuronales Inflación Selección de variables |
| dc.subject.proposal.eng.fl_str_mv |
Neural networks Forecasting Inflation Variable selection |
| description |
Ilustraciones |
| publishDate |
2022 |
| dc.date.accessioned.none.fl_str_mv |
2022-06-01T21:15:09Z |
| dc.date.available.none.fl_str_mv |
2022-06-01T21:15:09Z |
| dc.date.issued.none.fl_str_mv |
2022 |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/81484 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| dc.identifier.repourl.spa.fl_str_mv |
https://repositorio.unal.edu.co/ |
| url |
https://repositorio.unal.edu.co/handle/unal/81484 https://repositorio.unal.edu.co/ |
| identifier_str_mv |
Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Anderson, D. R., Sweeney, D. J., & Williams, T. A. (2008). Estadística Para Administración Y Economía. Cengage Learning Latin America. Recuperado de https://books.google.com.co/books?id=ehmBzuuZdzUC Arango-Thomas, L. E., Pantoja, J., & Velásquez, C. A. (2017). Effects of the central bank’s communications in Colombia : a content analysis. Borradores de Economía, 1024. Recuperado de http://repositorio.banrep.gov.co/handle/20.500.12134/6337 Banco de la República. (s/f-a). ¿Cómo se implementa la política monetaria en Colombia? Recuperado el 4 de enero de 2021, de https://www.banrep.gov.co/es/como-se-implementa-la-politica-monetaria#mecanismos Banco de la República. (s/f-b). Inflación total y meta. Recuperado el 5 de enero de 2021, de https://www.banrep.gov.co/es/estadisticas/inflacion-total-y-meta Banco de la República. (2020). Agregados Monetarios y Crediticios, Guía del Usuario . Recuperado de https://www.banrep.gov.co/es/estadisticas/agregados-monetarios Banco de la República. (2021). Estadísticas Económicas. Recuperado el 13 de noviembre de 2021, de https://totoro.banrep.gov.co/estadisticas-economicas/ Baybuza, I. (2018). Inflation Forecasting Using Machine Learning Methods. Russian Journal of Money and Finance, 42–59. https://doi.org/10.31477/rjmf.201804.42 Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324 Chakraborty, C., & Joseph, A. (2017). Machine learning at central banks. Staff Working Paper, 674. Recuperado de www.bankofengland.co.uk/research/Pages/workingpapers/default.aspx Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C. R., & Wirth, R. (2000). CRISP-DM 1.0: Step-by-step data mining guide. Cho, K., van Merriënboer, B., Bahdanau, D., & Bengio, Y. (2014). On the Properties of Neural Machine Translation: Encoder-Decoder Approaches. En Proceedings of {SSST}-8, Eighth Workshop on Syntax, Semantics and Structure in Statistical Translation (pp. 103–111). Doha, Qatar: Association for Computational Linguistics. https://doi.org/10.3115/v1/W14-4012 DANE. (2020). Índice de Precios al Consumidor (IPC). Recuperado el 1 de junio de 2020, de https://www.dane.gov.co/index.php/estadisticas-por-tema/precios-y-costos/indice-de-precios-al-consumidor-ipc Fox, D. G. (1981). Judging Air Quality Model Performance: A Summary of the AMS Workshop on Dispersion Model Performance, Woods Hole, Mass., 8–11 September 1980. Bulletin of the American Meteorological Society, 62(5), 599–609. https://doi.org/10.1175/1520-0477(1981)062<0599:JAQMP>2.0.CO;2 García, J. (2018). ANALYTICS, BIG DATA Y BI-TRANSFORMAR DATOS EN CONOCIMIENTO. UNIVERSIDAD MILITAR NUEVA GRANADA, BOGOTÁ. Gujarati, D. N., & Porter, D. C. (2011). Econometria Básica (5a ed.). McGraw Hill Brasil. Recuperado de https://books.google.com.co/books?id=bOLX3aXf6y0C Gutiérrez, O., & Zurita, A. (2006). Sobre la inflación. Perspectivas, 81–115. Recuperado de https://www.redalyc.org/pdf/4259/425942413004.pdf Hastie, T., & Tibshirani, R. (1986). Generalized Additive Models. Statistical Science, 1(3), 297–310. https://doi.org/10.1214/ss/1177013604 Hilera, J., & Martinez, V. (1995). Redes neuronales artificiales : fundamentos, modelos y aplicaciones / José Ramón Hilera González, Victor José Martínez Hernando. SERBIULA (sistema Librum 2.0). Hochreiter, S., & Schmidhuber, J. (1996). LSTM can Solve Hard Long Time Lag Problems. En M. C. Mozer, M. Jordan, & T. Petsche (Eds.), Advances in Neural Information Processing Systems (Vol. 9). MIT Press. Recuperado de https://proceedings.neurips.cc/paper/1996/file/a4d2f0d23dcc84ce983ff9157f8b7f88-Paper.pdf Hoerl, A. E., & Kennard, R. W. (1970). Ridge Regression: Biased Estimation for Nonorthogonal Problems. Technometrics, 12(1), 55–67. https://doi.org/10.1080/00401706.1970.10488634 Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: principles and practice. Melbourne: OTexts. Recuperado de https://otexts.com/fpp2/ Keras. (2022). Keras: the Python deep learning API. Recuperado el 23 de enero de 2022, de https://keras.io/ Leal, F., Molina, C., & Zilberman, E. (2020). Proyección de la Inflación en Chile con Métodos de Machine Learning. Recuperado de https://www.bcentral.cl/documents/33528/133326/dtbc860.pdf/3509186b-a98b-0885-1153-8fd2847dacc2?t=1579526310207 León, C., Moreno, J., & Cely, J. (2016). Whose Balance Sheet is this? Neural Networks for Banks’ Pattern Recognition. Borradores de Economía, 959. Recuperado de https://www.banrep.gov.co/sites/default/files/publicaciones/archivos/be_959.pdf León, C., & Ortega, F. (2018). Nowcasting economic activity with electronic payments data: A predictive modeling approach. Borradores de Economía, 1037. Marban, O., Mariscal, G., & Segovia, J. (2009). A Data Mining & Knowledge Discovery Process Model (p. Ch. 1). Vienna: IntechOpen. https://doi.org/10.5772/6438 Medeiros, M. C., Vasconcelos, G. F. R., Veiga, Á., & Zilberman, E. (2019). Forecasting Inflation in a Data-Rich Environment: The Benefits of Machine Learning Methods. Journal of Business and Economic Statistics, 1–22. https://doi.org/10.1080/07350015.2019.1637745 Misas, M., López, E., & Querubin, P. (2003). La inflación en Colombia : una aproximación desde las redes neuronales. Ensayos sobre Política Económica. https://doi.org/10.32468/Espe.41-4203 Montgomery, D. C., Peck, E. A., Vining, G. G., & González, V. (2002). Introducción al análisis de regresión lineal. Ochoa, H., & Martínez, Á. (2005). El comportamiento de la inflación en Colombia durante el período 1955-2004. Estudios Gerenciales, 21(95), 75–93. Recuperado de http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0123-59232005000200004#nota12 Pratap, B., & Sengupta, S. (2019). Macroeconomic Forecasting in India: Does Machine Learning Hold the Key to Better Forecasts? En 15th Annual Conference on Economic Growth and Development. Quintero, J. (2015). Impactos de la política monetaria y canales de transmisión en países de América Latina con esquema de inflación objetivo. Ensayos sobre Política Económica, 33, 61–75. https://doi.org/10.1016/j.espe.2015.02.001 Reinsel, D., Gantz, J., & Rydning, J. (2018). The Digitization of the World From Edge to Core. Santana, J. C. (2006). Predicción de series temporales con redes neuronales: una aplicación a la inflación colombiana. Servén, D., & Brummitt, C. (2018). pyGAM Documentation. Recuperado el 15 de enero de 2022, de https://buildmedia.readthedocs.org/media/pdf/pygam/latest/pygam.pdf Smith, T. G. (2021). pmdarima: ARIMA estimators for Python. Recuperado el 5 de febrero de 2022, de http://alkaline-ml.com/pmdarima/ Software Freedom Conservancy. (2021). Selenium. Recuperado el 19 de noviembre de 2021, de https://www.selenium.dev/ Tibshirani, R. (1996). Regression Shrinkage and Selection via the Lasso. Journal of the Royal Statistical Society. Series B (Methodological), 58(1), 267–288. Recuperado de http://www.jstor.org/stable/2346178 Uribe, J. (2012). Importancia de la estabilidad macroeconómica para el crecimiento económico. Revista del Banco de la República, 85(1020), 5–9. Recuperado de https://publicaciones.banrepcultural.org/index.php/banrep/article/view/8438/8837 VanderPlas, J. (2016). Python data science handbook: Essential tools for working with data. “ O’Reilly Media, Inc.” Walpole, R., Myers, R., Myers, S., & Ye, K. (2012). Probabilidad y estadística para ingeniería y ciencias (Novena). México: Pearson Educación. Recuperado de https://books.google.com.co/books?id=jBnRMQAACAAJ Willmott, C. J. (1982). Some Comments on the Evaluation of Model Performance. Bulletin of the American Meteorological Society, 63(11), 1309–1313. https://doi.org/10.1175/1520-0477(1982)063<1309:SCOTEO>2.0.CO;2 Zapata, J. (2019). APLICACIÓN DE LAS REDES NEURONALES PARA DETERMINAR LOS PRONÓSTICOS MENSUALES DE LA INFLACIÓN PARA EL AÑO 2018. UNIVERSIDAD NACIONAL DE PIURA, Piura. Recuperado de http://repositorio.unp.edu.pe/bitstream/handle/UNP/2014/EST-ZAP-LAU-2019.pdf?sequence=1&isAllowed=y Zou, H., & Hastie, T. (2005). Regularization and Variable Selection via the Elastic Net. Journal of the Royal Statistical Society. Series B (Statistical Methodology), 67(2), 301–320. Recuperado de http://www.jstor.org/stable/3647580 Garcia, M. G. P., Medeiros, M. C., & Vasconcelos, G. F. R. (2017). Real-time inflation forecasting with high-dimensional models: The case of Brazil. International Journal of Forecasting, 33(3), 679–693. https://doi.org/10.1016/j.ijforecast.2017.02.002 |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Reconocimiento 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Reconocimiento 4.0 Internacional http://creativecommons.org/licenses/by/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
xiii, 65 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.country.none.fl_str_mv |
Colombia |
| dc.publisher.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.publisher.program.spa.fl_str_mv |
Medellín - Minas - Maestría en Ingeniería - Analítica |
| dc.publisher.department.spa.fl_str_mv |
Departamento de la Computación y la Decisión |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Minas |
| dc.publisher.place.spa.fl_str_mv |
Medellín |
| dc.publisher.branch.spa.fl_str_mv |
Universidad Nacional de Colombia - Sede Medellín |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/81484/1/1036676092.2022.pdf https://repositorio.unal.edu.co/bitstream/unal/81484/2/license.txt https://repositorio.unal.edu.co/bitstream/unal/81484/3/1036676092.2022.pdf.jpg |
| bitstream.checksum.fl_str_mv |
3bd66841b8b20ceafd6e3952151c5174 8153f7789df02f0a4c9e079953658ab2 1aca147f170f3bd9bcc9f30e79c25b58 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1814089763045507072 |
| spelling |
Reconocimiento 4.0 Internacionalhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Villa Garzón, Fernán Alonso52f4ead43b7f03e5c6aead7f7bb44812600Carmona Restrepo, Nataliaa80d68b63f12be277182af64e7fe6a722022-06-01T21:15:09Z2022-06-01T21:15:09Z2022https://repositorio.unal.edu.co/handle/unal/81484Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/IlustracionesPara el sector financiero una de las variables macroeconómicas relevantes es la inflación, esta es generada por diferentes presiones en la economía y sus efectos en la misma han sido ampliamente estudiados. Las decisiones de política monetaria que pueden controlar la inflación tienen un impacto directo en la economía y en el sector financiero, por lo que en este sector se tiene la necesidad de generar escenarios y expectativas de inflación que le permitan tomar decisiones adecuadas a cada uno de los actores responsables en este sector. En este trabajo, primero, se realiza una revisión de antecedentes en busca de variables que puedan aportar en un modelo de pronóstico para la inflación, se eligieron 24 variables de las cuales siete fueron finalmente seleccionadas mediante un modelo aditivo generalizado. Se entrenaron y evaluaron un total de 100 modelos de redes neuronales perceptrón multicapa con el objetivo de comparar el desempeño de tres regularizadores, LASSO (Least absolute shrinkage and selection operator), Ridge Regression y ElNet (Elastic Net), se realizó una validación cruzada de los modelos y los candidatos finales fueron evaluados con la medida del error cuadrático medio y coeficiente de determinación. El modelo que mejor representa el fenómeno de la inflación corresponde a una red regularizada con ElNet y fue comparado con un modelo ARIMA presentando un desempeño superior. (Texto tomado de la fuente)For the financial sector, one of the most important macroeconomic variables is inflation, which is generated by different pressures in the economy and its effects on the economy have been widely studied. Monetary policy decisions that seek to control inflation have a direct impact on the economy and the financial sector, so this sector needs to generate inflation scenarios and expectations that allow it to make appropriate decisions. In this paper, a background review is carried out in search of variables that can contribute to a forecasting model for inflation; 24 variables were chosen, of which seven were finally selected employing a generalized additive model. A total of 100 multilayer perceptron neural network models were trained and evaluated to compare the performance of three regularizers: LASSO (Least absolute shrinkage and selection operator), Ridge Regression and ElNet (Elastic Net), cross-validation of the models was performed and the final candidates were evaluated with the mean square error and coefficient of determination. The selected model corresponds to a regularized network with ElNet and was compared with an ARIMA model, showing superior performance.MaestríaMagíster en Ingeniería - AnalíticaÁrea Curricular de Ingeniería de Sistemas e Informáticaxiii, 65 páginasapplication/pdfspaUniversidad Nacional de ColombiaMedellín - Minas - Maestría en Ingeniería - AnalíticaDepartamento de la Computación y la DecisiónFacultad de MinasMedellínUniversidad Nacional de Colombia - Sede Medellín000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores330 - EconomíaRedes neuronales (computadores)Inflación - Métodos estadísticosAnálisis de series de tiempoRedes neuronalesInflaciónSelección de variablesNeural networksForecastingInflationVariable selectionRedes neuronales regularizadas para la predicción de la inflación colombianaColombian inflation forecasting by regularized neural networksTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMColombiaAnderson, D. R., Sweeney, D. J., & Williams, T. A. (2008). Estadística Para Administración Y Economía. Cengage Learning Latin America. Recuperado de https://books.google.com.co/books?id=ehmBzuuZdzUCArango-Thomas, L. E., Pantoja, J., & Velásquez, C. A. (2017). Effects of the central bank’s communications in Colombia : a content analysis. Borradores de Economía, 1024. Recuperado de http://repositorio.banrep.gov.co/handle/20.500.12134/6337Banco de la República. (s/f-a). ¿Cómo se implementa la política monetaria en Colombia? Recuperado el 4 de enero de 2021, de https://www.banrep.gov.co/es/como-se-implementa-la-politica-monetaria#mecanismosBanco de la República. (s/f-b). Inflación total y meta. Recuperado el 5 de enero de 2021, de https://www.banrep.gov.co/es/estadisticas/inflacion-total-y-metaBanco de la República. (2020). Agregados Monetarios y Crediticios, Guía del Usuario . Recuperado de https://www.banrep.gov.co/es/estadisticas/agregados-monetariosBanco de la República. (2021). Estadísticas Económicas. Recuperado el 13 de noviembre de 2021, de https://totoro.banrep.gov.co/estadisticas-economicas/Baybuza, I. (2018). Inflation Forecasting Using Machine Learning Methods. Russian Journal of Money and Finance, 42–59. https://doi.org/10.31477/rjmf.201804.42Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324Chakraborty, C., & Joseph, A. (2017). Machine learning at central banks. Staff Working Paper, 674. Recuperado de www.bankofengland.co.uk/research/Pages/workingpapers/default.aspxChapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C. R., & Wirth, R. (2000). CRISP-DM 1.0: Step-by-step data mining guide.Cho, K., van Merriënboer, B., Bahdanau, D., & Bengio, Y. (2014). On the Properties of Neural Machine Translation: Encoder-Decoder Approaches. En Proceedings of {SSST}-8, Eighth Workshop on Syntax, Semantics and Structure in Statistical Translation (pp. 103–111). Doha, Qatar: Association for Computational Linguistics. https://doi.org/10.3115/v1/W14-4012DANE. (2020). Índice de Precios al Consumidor (IPC). Recuperado el 1 de junio de 2020, de https://www.dane.gov.co/index.php/estadisticas-por-tema/precios-y-costos/indice-de-precios-al-consumidor-ipcFox, D. G. (1981). Judging Air Quality Model Performance: A Summary of the AMS Workshop on Dispersion Model Performance, Woods Hole, Mass., 8–11 September 1980. Bulletin of the American Meteorological Society, 62(5), 599–609. https://doi.org/10.1175/1520-0477(1981)062<0599:JAQMP>2.0.CO;2García, J. (2018). ANALYTICS, BIG DATA Y BI-TRANSFORMAR DATOS EN CONOCIMIENTO. UNIVERSIDAD MILITAR NUEVA GRANADA, BOGOTÁ.Gujarati, D. N., & Porter, D. C. (2011). Econometria Básica (5a ed.). McGraw Hill Brasil. Recuperado de https://books.google.com.co/books?id=bOLX3aXf6y0CGutiérrez, O., & Zurita, A. (2006). Sobre la inflación. Perspectivas, 81–115. Recuperado de https://www.redalyc.org/pdf/4259/425942413004.pdfHastie, T., & Tibshirani, R. (1986). Generalized Additive Models. Statistical Science, 1(3), 297–310. https://doi.org/10.1214/ss/1177013604Hilera, J., & Martinez, V. (1995). Redes neuronales artificiales : fundamentos, modelos y aplicaciones / José Ramón Hilera González, Victor José Martínez Hernando. SERBIULA (sistema Librum 2.0).Hochreiter, S., & Schmidhuber, J. (1996). LSTM can Solve Hard Long Time Lag Problems. En M. C. Mozer, M. Jordan, & T. Petsche (Eds.), Advances in Neural Information Processing Systems (Vol. 9). MIT Press. Recuperado de https://proceedings.neurips.cc/paper/1996/file/a4d2f0d23dcc84ce983ff9157f8b7f88-Paper.pdfHoerl, A. E., & Kennard, R. W. (1970). Ridge Regression: Biased Estimation for Nonorthogonal Problems. Technometrics, 12(1), 55–67. https://doi.org/10.1080/00401706.1970.10488634Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: principles and practice. Melbourne: OTexts. Recuperado de https://otexts.com/fpp2/Keras. (2022). Keras: the Python deep learning API. Recuperado el 23 de enero de 2022, de https://keras.io/Leal, F., Molina, C., & Zilberman, E. (2020). Proyección de la Inflación en Chile con Métodos de Machine Learning. Recuperado de https://www.bcentral.cl/documents/33528/133326/dtbc860.pdf/3509186b-a98b-0885-1153-8fd2847dacc2?t=1579526310207León, C., Moreno, J., & Cely, J. (2016). Whose Balance Sheet is this? Neural Networks for Banks’ Pattern Recognition. Borradores de Economía, 959. Recuperado de https://www.banrep.gov.co/sites/default/files/publicaciones/archivos/be_959.pdfLeón, C., & Ortega, F. (2018). Nowcasting economic activity with electronic payments data: A predictive modeling approach. Borradores de Economía, 1037.Marban, O., Mariscal, G., & Segovia, J. (2009). A Data Mining & Knowledge Discovery Process Model (p. Ch. 1). Vienna: IntechOpen. https://doi.org/10.5772/6438Medeiros, M. C., Vasconcelos, G. F. R., Veiga, Á., & Zilberman, E. (2019). Forecasting Inflation in a Data-Rich Environment: The Benefits of Machine Learning Methods. Journal of Business and Economic Statistics, 1–22. https://doi.org/10.1080/07350015.2019.1637745Misas, M., López, E., & Querubin, P. (2003). La inflación en Colombia : una aproximación desde las redes neuronales. Ensayos sobre Política Económica. https://doi.org/10.32468/Espe.41-4203Montgomery, D. C., Peck, E. A., Vining, G. G., & González, V. (2002). Introducción al análisis de regresión lineal.Ochoa, H., & Martínez, Á. (2005). El comportamiento de la inflación en Colombia durante el período 1955-2004. Estudios Gerenciales, 21(95), 75–93. Recuperado de http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0123-59232005000200004#nota12Pratap, B., & Sengupta, S. (2019). Macroeconomic Forecasting in India: Does Machine Learning Hold the Key to Better Forecasts? En 15th Annual Conference on Economic Growth and Development.Quintero, J. (2015). Impactos de la política monetaria y canales de transmisión en países de América Latina con esquema de inflación objetivo. Ensayos sobre Política Económica, 33, 61–75. https://doi.org/10.1016/j.espe.2015.02.001Reinsel, D., Gantz, J., & Rydning, J. (2018). The Digitization of the World From Edge to Core.Santana, J. C. (2006). Predicción de series temporales con redes neuronales: una aplicación a la inflación colombiana.Servén, D., & Brummitt, C. (2018). pyGAM Documentation. Recuperado el 15 de enero de 2022, de https://buildmedia.readthedocs.org/media/pdf/pygam/latest/pygam.pdfSmith, T. G. (2021). pmdarima: ARIMA estimators for Python. Recuperado el 5 de febrero de 2022, de http://alkaline-ml.com/pmdarima/Software Freedom Conservancy. (2021). Selenium. Recuperado el 19 de noviembre de 2021, de https://www.selenium.dev/Tibshirani, R. (1996). Regression Shrinkage and Selection via the Lasso. Journal of the Royal Statistical Society. Series B (Methodological), 58(1), 267–288. Recuperado de http://www.jstor.org/stable/2346178Uribe, J. (2012). Importancia de la estabilidad macroeconómica para el crecimiento económico. Revista del Banco de la República, 85(1020), 5–9. Recuperado de https://publicaciones.banrepcultural.org/index.php/banrep/article/view/8438/8837VanderPlas, J. (2016). Python data science handbook: Essential tools for working with data. “ O’Reilly Media, Inc.”Walpole, R., Myers, R., Myers, S., & Ye, K. (2012). Probabilidad y estadística para ingeniería y ciencias (Novena). México: Pearson Educación. Recuperado de https://books.google.com.co/books?id=jBnRMQAACAAJWillmott, C. J. (1982). Some Comments on the Evaluation of Model Performance. Bulletin of the American Meteorological Society, 63(11), 1309–1313. https://doi.org/10.1175/1520-0477(1982)063<1309:SCOTEO>2.0.CO;2Zapata, J. (2019). APLICACIÓN DE LAS REDES NEURONALES PARA DETERMINAR LOS PRONÓSTICOS MENSUALES DE LA INFLACIÓN PARA EL AÑO 2018. UNIVERSIDAD NACIONAL DE PIURA, Piura. Recuperado de http://repositorio.unp.edu.pe/bitstream/handle/UNP/2014/EST-ZAP-LAU-2019.pdf?sequence=1&isAllowed=yZou, H., & Hastie, T. (2005). Regularization and Variable Selection via the Elastic Net. Journal of the Royal Statistical Society. Series B (Statistical Methodology), 67(2), 301–320. Recuperado de http://www.jstor.org/stable/3647580Garcia, M. G. P., Medeiros, M. C., & Vasconcelos, G. F. R. (2017). Real-time inflation forecasting with high-dimensional models: The case of Brazil. International Journal of Forecasting, 33(3), 679–693. https://doi.org/10.1016/j.ijforecast.2017.02.002EstudiantesInvestigadoresORIGINAL1036676092.2022.pdf1036676092.2022.pdfTesis de Maestría en Ingeniería - Analíticaapplication/pdf2314890https://repositorio.unal.edu.co/bitstream/unal/81484/1/1036676092.2022.pdf3bd66841b8b20ceafd6e3952151c5174MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-84074https://repositorio.unal.edu.co/bitstream/unal/81484/2/license.txt8153f7789df02f0a4c9e079953658ab2MD52THUMBNAIL1036676092.2022.pdf.jpg1036676092.2022.pdf.jpgGenerated Thumbnailimage/jpeg4804https://repositorio.unal.edu.co/bitstream/unal/81484/3/1036676092.2022.pdf.jpg1aca147f170f3bd9bcc9f30e79c25b58MD53unal/81484oai:repositorio.unal.edu.co:unal/814842023-10-06 16:28:36.823Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |