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
id UTADEO2_3e250f592234dc5a5efc67f374a961c9
oai_identifier_str oai:expeditiorepositorio.utadeo.edu.co:20.500.12010/21576
network_acronym_str UTADEO2
network_name_str Expeditio: repositorio UTadeo
repository_id_str
dc.title.spa.fl_str_mv Predicción de la serie temporal del indicador bancario de referencia (IBR) con redes neuronales
title Predicción de la serie temporal del indicador bancario de referencia (IBR) con redes neuronales
spellingShingle Predicción de la serie temporal del indicador bancario de referencia (IBR) con redes neuronales
Aprendizaje Automático
Redes LSTM
ARIMA
Ciencias naturales
Redes neuronales (Neurobiología)
Neurociencia cognitiva
Time Series
Machine Learning
LSTM Network
title_short Predicción de la serie temporal del indicador bancario de referencia (IBR) con redes neuronales
title_full Predicción de la serie temporal del indicador bancario de referencia (IBR) con redes neuronales
title_fullStr Predicción de la serie temporal del indicador bancario de referencia (IBR) con redes neuronales
title_full_unstemmed Predicción de la serie temporal del indicador bancario de referencia (IBR) con redes neuronales
title_sort Predicción de la serie temporal del indicador bancario de referencia (IBR) con redes neuronales
dc.subject.spa.fl_str_mv Aprendizaje Automático
Redes LSTM
ARIMA
topic Aprendizaje Automático
Redes LSTM
ARIMA
Ciencias naturales
Redes neuronales (Neurobiología)
Neurociencia cognitiva
Time Series
Machine Learning
LSTM Network
dc.subject.lemb.spa.fl_str_mv Ciencias naturales
Redes neuronales (Neurobiología)
Neurociencia cognitiva
dc.subject.keyword.spa.fl_str_mv Time Series
Machine Learning
LSTM Network
description 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.
publishDate 2021
dc.date.accessioned.none.fl_str_mv 2021-09-03T17:28:32Z
dc.date.available.none.fl_str_mv 2021-09-03T17:28:32Z
dc.date.created.none.fl_str_mv 2021-05-05
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.coarversion.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/article
dc.type.coar.spa.fl_str_mv http://purl.org/coar/resource_type/c_6501
format http://purl.org/coar/resource_type/c_6501
dc.identifier.citation.none.fl_str_mv Coy Mondragón, G. E., Granados, Óscar, & Garcia-Bedoya, O. (2021). Predicción de la serie temporal del indicador bancario de referencia (IBR) con redes neuronales. Revista Mutis, 11(1), 65-76. https://doi.org/10.21789/22561498.1748
dc.identifier.other.none.fl_str_mv https://revistas.utadeo.edu.co/index.php/mutis/issue/view/140
https://doi.org/10.21789/22561498.1748
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/20.500.12010/21576
dc.identifier.doi.none.fl_str_mv 10.21789/22561498.1748
identifier_str_mv Coy Mondragón, G. E., Granados, Óscar, & Garcia-Bedoya, O. (2021). Predicción de la serie temporal del indicador bancario de referencia (IBR) con redes neuronales. Revista Mutis, 11(1), 65-76. https://doi.org/10.21789/22561498.1748
10.21789/22561498.1748
url 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
dc.language.iso.spa.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv Copyright (c) 2021 Revista Mutis
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.local.spa.fl_str_mv Abierto (Texto Completo)
rights_invalid_str_mv Copyright (c) 2021 Revista Mutis
Abierto (Texto Completo)
http://purl.org/coar/access_right/c_abf2
dc.format.extent.spa.fl_str_mv 12 páginas
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.publisher.spa.fl_str_mv Universidad de Bogotá Jorge Tadeo Lozano
dc.source.none.fl_str_mv Expeditio Repositorio Institucional UJTL
institution Universidad de Bogotá Jorge Tadeo Lozano
bitstream.url.fl_str_mv https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/21576/2/license.txt
https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/21576/4/Mutis.png
https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/21576/6/document.pdf.jpg
https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/21576/5/document.pdf
bitstream.checksum.fl_str_mv baba314677a6b940f072575a13bb6906
bfb1ba5766a7827e46a4750239055ce3
a04b6095c8dbbe94583cfca94b311b79
439d7f83197d070ecfb0fd1a95cb2adf
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional - Universidad Jorge Tadeo Lozano
repository.mail.fl_str_mv expeditiorepositorio@utadeo.edu.co
_version_ 1814213721776455680
spelling 2021-09-03T17:28:32Z2021-09-03T17:28:32Z2021-05-05Coy Mondragón, G. E., Granados, Óscar, & Garcia-Bedoya, O. (2021). Predicción de la serie temporal del indicador bancario de referencia (IBR) con redes neuronales. Revista Mutis, 11(1), 65-76. https://doi.org/10.21789/22561498.1748https://revistas.utadeo.edu.co/index.php/mutis/issue/view/140https://doi.org/10.21789/22561498.1748http://hdl.handle.net/20.500.12010/2157610.21789/22561498.1748En 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.#AprendizajeAutomáticoIn recent years, predicting the behavior of the Benchmark Banking Indicator (ibr) has become rele-vant due to its importance in the Colombian money market. The purpose of this paper is to demonstrate the efficiency of lstm networks for generating predic-tions of time series —through their long and short-term memory— that are comparable with the arimapredictive model for econometric studies. The inci-dence of the representative market rate (trm) and the rate of 10-year public debt bonds (tes) was analyzed and compared to the ibr, seeking to determine its cor-relation through the Pearson method. Finally, the model efficiency was evaluated with the mean square error (rmse), using a multivariable lstm network with three inputs (ibr, tes, and trm) and one output.12 páginasapplication/pdfspaUniversidad de Bogotá Jorge Tadeo LozanoCopyright (c) 2021 Revista MutisAbierto (Texto Completo)http://purl.org/coar/access_right/c_abf2Expeditio Repositorio Institucional UJTLAprendizaje AutomáticoRedes LSTMARIMACiencias naturalesRedes neuronales (Neurobiología)Neurociencia cognitivaTime SeriesMachine LearningLSTM NetworkPredicción de la serie temporal del indicador bancario de referencia (IBR) con redes neuronalesinfo:eu-repo/semantics/articlehttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1http://purl.org/coar/version/c_970fb48d4fbd8a85Coy Mondragón, Germán EnriqueGranados, ÓscarGarcia-Bedoya, OlmerLICENSElicense.txtlicense.txttext/plain; charset=utf-82938https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/21576/2/license.txtbaba314677a6b940f072575a13bb6906MD52open accessTHUMBNAILMutis.pngMutis.pngMutisimage/png89855https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/21576/4/Mutis.pngbfb1ba5766a7827e46a4750239055ce3MD54open accessdocument.pdf.jpgdocument.pdf.jpgIM Thumbnailimage/jpeg15953https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/21576/6/document.pdf.jpga04b6095c8dbbe94583cfca94b311b79MD56open accessORIGINALdocument.pdfdocument.pdfVer documentoapplication/pdf1169734https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/21576/5/document.pdf439d7f83197d070ecfb0fd1a95cb2adfMD55open access20.500.12010/21576oai:expeditiorepositorio.utadeo.edu.co:20.500.12010/215762022-10-22 03:02:05.185open accessRepositorio Institucional - Universidad Jorge Tadeo Lozanoexpeditiorepositorio@utadeo.edu.coQXV0b3Jpem8gYWwgU2lzdGVtYSBkZSBCaWJsaW90ZWNhcyBVbml2ZXJzaWRhZCBkZSBCb2dvdMOhIEpvcmdlIFRhZGVvIExvemFubyBwYXJhCnF1ZSBjb24gZmluZXMgYWNhZMOpbWljb3MsIHByZXNlcnZlLCBjb25zZXJ2ZSwgb3JnYW5pY2UsIGVkaXRlIHkgbW9kaWZpcXVlCnRlY25vbMOzZ2ljYW1lbnRlIGVsIGRvY3VtZW50byBhbnRlcmlvcm1lbnRlIGNhcmdhZG8gYWwgUmVwb3NpdG9yaW8gSW5zdGl0dWNpb25hbApFeHBlZGl0aW8KCkV4Y2VwdHVhbmRvIHF1ZSBlbCBkb2N1bWVudG8gc2VhIGNvbmZpZGVuY2lhbCwgYXV0b3Jpem8gYSB1c3VhcmlvcyBpbnRlcm5vcyB5CmV4dGVybm9zIGRlIGxhIEluc3RpdHVjacOzbiBhIGNvbnN1bHRhciB5IHJlcHJvZHVjaXIgZWwgY29udGVuaWRvIGRlbCBkb2N1bWVudG8KcGFyYSBmaW5lcyBhY2Fkw6ltaWNvcyBudW5jYSBwYXJhIHVzb3MgY29tZXJjaWFsZXMsIGN1YW5kbyBtZWRpYW50ZSBsYQpjb3JyZXNwb25kaWVudGUgY2l0YSBiaWJsaW9ncsOhZmljYSBzZSBsZSBkZSBjcsOpZGl0byBhIGxhIG9icmEgeSBzdShzKSBhdXRvcihzKS4KCkV4Y2VwdHVhbmRvIHF1ZSBlbCBkb2N1bWVudG8gc2VhIGNvbmZpZGVuY2lhbCwgYXV0b3Jpem8gYXBsaWNhciBsYSBsaWNlbmNpYSBkZWwKZXN0w6FuZGFyIGludGVybmFjaW9uYWwgQ3JlYXRpdmUgQ29tbW9ucyAoQXR0cmlidXRpb24tTm9uQ29tbWVyY2lhbC1Ob0Rlcml2YXRpdmVzCjQuMCBJbnRlcm5hdGlvbmFsKSBxdWUgaW5kaWNhIHF1ZSBjdWFscXVpZXIgcGVyc29uYSBwdWVkZSB1c2FyIGxhIG9icmEgZGFuZG8KY3LDqWRpdG8gYWwgYXV0b3IsIHNpbiBwb2RlciBjb21lcmNpYXIgY29uIGxhIG9icmEgeSBzaW4gZ2VuZXJhciBvYnJhcyBkZXJpdmFkYXMuCgpFbCAobG9zKSBhdXRvcihlcykgY2VydGlmaWNhKG4pIHF1ZSBlbCBkb2N1bWVudG8gbm8gaW5mcmluZ2UgbmkgYXRlbnRhIGNvbnRyYQpkZXJlY2hvcyBpbmR1c3RyaWFsZXMsIHBhdHJpbW9uaWFsZXMsIGludGVsZWN0dWFsZXMsIG1vcmFsZXMgbyBjdWFscXVpZXIgb3RybyBkZQp0ZXJjZXJvcywgYXPDrSBtaXNtbyBkZWNsYXJhbiBxdWUgbGEgVW5pdmVyc2lkYWQgSm9yZ2UgVGFkZW8gTG96YW5vIHNlIGVuY3VlbnRyYQpsaWJyZSBkZSB0b2RhIHJlc3BvbnNhYmlsaWRhZCBjaXZpbCwgYWRtaW5pc3RyYXRpdmEgeS9vIHBlbmFsIHF1ZSBwdWVkYSBkZXJpdmFyc2UKZGUgbGEgcHVibGljYWNpw7NuIGRlbCB0cmFiYWpvIGRlIGdyYWRvIHkvbyB0ZXNpcyBlbiBjYWxpZGFkIGRlIGFjY2VzbyBhYmllcnRvIHBvcgpjdWFscXVpZXIgbWVkaW8uCgpFbiBjdW1wbGltaWVudG8gY29uIGxvIGRpc3B1ZXN0byBlbiBsYSBMZXkgMTU4MSBkZSAyMDEyIHkgZXNwZWNpYWxtZW50ZSBlbiB2aXJ0dWQKZGUgbG8gZGlzcHVlc3RvIGVuIGVsIEFydMOtY3VsbyAxMCBkZWwgRGVjcmV0byAxMzc3IGRlIDIwMTMsIGF1dG9yaXpvIGEgbGEKVW5pdmVyc2lkYWQgSm9yZ2UgVGFkZW8gTG96YW5vIGEgcHJvY2VkZXIgY29uIGVsIHRyYXRhbWllbnRvIGRlIGxvcyBkYXRvcwpwZXJzb25hbGVzIHBhcmEgZmluZXMgYWNhZMOpbWljb3MsIGhpc3TDs3JpY29zLCBlc3RhZMOtc3RpY29zIHkgYWRtaW5pc3RyYXRpdm9zIGRlCmxhIEluc3RpdHVjacOzbi4gRGUgY29uZm9ybWlkYWQgY29uIGxvIGVzdGFibGVjaWRvIGVuIGVsIGFydMOtY3VsbyAzMCBkZSBsYSBMZXkgMjMKZGUgMTk4MiB5IGVsIGFydMOtY3VsbyAxMSBkZSBsYSBEZWNpc2nDs24gQW5kaW5hIDM1MSBkZSAxOTkzLCBhY2xhcmFtb3MgcXVlIOKAnExvcwpkZXJlY2hvcyBtb3JhbGVzIHNvYnJlIGVsIHRyYWJham8gc29uIHByb3BpZWRhZCBkZSBsb3MgYXV0b3Jlc+KAnSwgbG9zIGN1YWxlcyBzb24KaXJyZW51bmNpYWJsZXMsIGltcHJlc2NyaXB0aWJsZXMsIGluZW1iYXJnYWJsZXMgZSBpbmFsaWVuYWJsZXMuCgpDb24gZWwgcmVnaXN0cm8gZW4gbGEgcMOhZ2luYSwgYXV0b3Jpem8gZGUgbWFuZXJhIGV4cHJlc2EgYSBsYSBGVU5EQUNJw5NOIFVOSVZFUlNJREFECkRFIEJPR09Uw4EgSk9SR0UgVEFERU8gTE9aQU5PLCBlbCB0cmF0YW1pZW50byBkZSBtaXMgZGF0b3MgcGVyc29uYWxlcyBwYXJhIHByb2Nlc2FyCm8gY29uc2VydmFyLCBjb24gZmluZXMgZXN0YWTDrXN0aWNvcywgZGUgY29udHJvbCBvIHN1cGVydmlzacOzbiwgYXPDrSBjb21vIHBhcmEgZWwKZW52w61vIGRlIGluZm9ybWFjacOzbiB2w61hIGNvcnJlbyBlbGVjdHLDs25pY28sIGRlbnRybyBkZWwgbWFyY28gZXN0YWJsZWNpZG8gcG9yIGxhCkxleSAxNTgxIGRlIDIwMTIgeSBzdXMgZGVjcmV0b3MgY29tcGxlbWVudGFyaW9zIHNvYnJlIFRyYXRhbWllbnRvIGRlIERhdG9zClBlcnNvbmFsZXMuIEVuIGN1YWxxdWllciBjYXNvLCBlbnRpZW5kbyBxdWUgcG9kcsOpIGhhY2VyIHVzbyBkZWwgZGVyZWNobyBhIGNvbm9jZXIsCmFjdHVhbGl6YXIsIHJlY3RpZmljYXIgbyBzdXByaW1pciBsb3MgZGF0b3MgcGVyc29uYWxlcyBtZWRpYW50ZSBlbCBlbnbDrW8gZGUgdW5hCmNvbXVuaWNhY2nDs24gZXNjcml0YSBhbCBjb3JyZW8gZWxlY3Ryw7NuaWNvIHByb3RlY2Npb25kYXRvc0B1dGFkZW8uZWR1LmNvLgoKTGEgRlVOREFDScOTTiBVTklWRVJTSURBRCBERSBCT0dPVMOBIEpPUkdFIFRBREVPIExPWkFOTyBubyB1dGlsaXphcsOhIGxvcyBkYXRvcwpwZXJzb25hbGVzIHBhcmEgZmluZXMgZGlmZXJlbnRlcyBhIGxvcyBhbnVuY2lhZG9zIHkgZGFyw6EgdW4gdXNvIGFkZWN1YWRvIHkKcmVzcG9uc2FibGUgYSBzdXMgZGF0b3MgcGVyc29uYWxlcyBkZSBhY3VlcmRvIGNvbiBsYSBkaXJlY3RyaXogZGUgUHJvdGVjY2nDs24gZGUKRGF0b3MgUGVyc29uYWxlcyBxdWUgcG9kcsOhIGNvbnN1bHRhciBlbjoKaHR0cDovL3d3dy51dGFkZW8uZWR1LmNvL2VzL2xpbmsvZGVzY3VicmUtbGEtdW5pdmVyc2lkYWQvMi9kb2N1bWVudG9zCg==