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...
- 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
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. |
---|