Predicción de la serie temporal del indicador bancario de referencia (IBR) con redes neuronales

En años recientes, la predicción del comportamiento del Indicador Bancario de Referencia (IBR) se ha hecho relevante debido a su importancia en el mercado monetario colombiano. El propósito de este trabajo es demostrar la eficiencia de las redes LSTM en la generación de predicciones de series de tie...

Full description

Autores:
Tipo de recurso:
Article of journal
Fecha de publicación:
2021
Institución:
Universidad de Bogotá Jorge Tadeo Lozano
Repositorio:
Expeditio: repositorio UTadeo
Idioma:
spa
OAI Identifier:
oai:expeditiorepositorio.utadeo.edu.co:20.500.12010/21576
Acceso en línea:
https://revistas.utadeo.edu.co/index.php/mutis/issue/view/140
https://doi.org/10.21789/22561498.1748
http://hdl.handle.net/20.500.12010/21576
Palabra clave:
Aprendizaje Automático
Redes LSTM
ARIMA
Ciencias naturales
Redes neuronales (Neurobiología)
Neurociencia cognitiva
Time Series
Machine Learning
LSTM Network
Rights
License
Copyright (c) 2021 Revista Mutis
Description
Summary:En años recientes, la predicción del comportamiento del Indicador Bancario de Referencia (IBR) se ha hecho relevante debido a su importancia en el mercado monetario colombiano. El propósito de este trabajo es demostrar la eficiencia de las redes LSTM en la generación de predicciones de series de tiempo —a través de su memoria a corto y largo plazo— que sean comparables con el modelo predictivo ARIMA para estudios econométricos. Se analizó la incidencia de la tasa representativa de mercado (TRM) y la tasa de los bonos de la deuda pública (TES) a 10 años, comparando ambos indicadores con el IBR. Con lo anterior, se buscó determinar la correlación existente entre estas variables mediante el método de Pearson. Finalmente, la eficiencia del modelo fue evaluada con el error cuadrático medio (RMSE), utilizando una red LSTM multivariable con tres entradas (IBR, TES y TRM) y una salida.