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:
- 2020
- Institución:
- Universidad de Bogotá Jorge Tadeo Lozano
- Repositorio:
- Expeditio: repositorio UTadeo
- Idioma:
- spa
- OAI Identifier:
- oai:expeditiorepositorio.utadeo.edu.co:20.500.12010/27985
- Acceso en línea:
- https://doi.org/10.21789/22561498.1748
http://hdl.handle.net/20.500.12010/27985
http://expeditiorepositorio.utadeo.edu.co
- Palabra clave:
- Series de tiempo
Aprendizaje automático
Redes lstm
Análisis de redes (Planificación)
Análisis de sistemas
Redes de computadores
- Rights
- License
- Abierto (Texto Completo)
id |
UTADEO2_c079e5e9512bf823027df0903a8f6cca |
---|---|
oai_identifier_str |
oai:expeditiorepositorio.utadeo.edu.co:20.500.12010/27985 |
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 |
dc.title.alternative.eng.fl_str_mv |
Predicting the Benchmark Banking Indicator (ibr) Time Series through Neural Networks |
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 Series de tiempo Aprendizaje automático Redes lstm Análisis de redes (Planificación) Análisis de sistemas Redes de computadores |
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 |
Series de tiempo Aprendizaje automático Redes lstm |
topic |
Series de tiempo Aprendizaje automático Redes lstm Análisis de redes (Planificación) Análisis de sistemas Redes de computadores |
dc.subject.lemb.spa.fl_str_mv |
Análisis de redes (Planificación) Análisis de sistemas Redes de computadores |
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 |
2020 |
dc.date.created.none.fl_str_mv |
2020 |
dc.date.accessioned.none.fl_str_mv |
2022-08-22T19:16:06Z |
dc.date.available.none.fl_str_mv |
2022-08-22T19:16:06Z |
dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_2df8fbb1 |
dc.type.local.spa.fl_str_mv |
Artículo |
dc.type.driver.spa.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.issn.spa.fl_str_mv |
7965-6321 |
dc.identifier.other.spa.fl_str_mv |
https://doi.org/10.21789/22561498.1748 |
dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/20.500.12010/27985 |
dc.identifier.repourl.spa.fl_str_mv |
http://expeditiorepositorio.utadeo.edu.co |
dc.identifier.doi.spa.fl_str_mv |
https://doi.org/10.21789/22561498.1748 |
dc.identifier.orcid.spa.fl_str_mv |
|
identifier_str_mv |
7965-6321 |
url |
https://doi.org/10.21789/22561498.1748 http://hdl.handle.net/20.500.12010/27985 http://expeditiorepositorio.utadeo.edu.co |
dc.language.iso.spa.fl_str_mv |
spa |
language |
spa |
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 |
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.format.rda.spa.fl_str_mv |
1 recurso en línea (archivo de texto) |
dc.coverage.spatial.spa.fl_str_mv |
Colombia |
dc.publisher.spa.fl_str_mv |
Mutis |
institution |
Universidad de Bogotá Jorge Tadeo Lozano |
bitstream.url.fl_str_mv |
https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/27985/1/document.pdf https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/27985/2/license.txt https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/27985/3/document.pdf.jpg |
bitstream.checksum.fl_str_mv |
439d7f83197d070ecfb0fd1a95cb2adf baba314677a6b940f072575a13bb6906 a04b6095c8dbbe94583cfca94b311b79 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio Institucional - Universidad Jorge Tadeo Lozano |
repository.mail.fl_str_mv |
expeditiorepositorio@utadeo.edu.co |
_version_ |
1814213531757707264 |
spelling |
Colombia2022-08-22T19:16:06Z2022-08-22T19:16:06Z20207965-6321https://doi.org/10.21789/22561498.1748http://hdl.handle.net/20.500.12010/27985http://expeditiorepositorio.utadeo.edu.cohttps://doi.org/10.21789/22561498.1748En 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.In 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/pdf1 recurso en línea (archivo de texto)spaMutisSeries de tiempoAprendizaje automáticoRedes lstmAnálisis de redes (Planificación)Análisis de sistemasRedes de computadoresPredicción de la serie temporal del indicador bancario de referencia (ibr) con redes neuronalesPredicting the Benchmark Banking Indicator (ibr) Time Series through Neural NetworksArtículoinfo:eu-repo/semantics/articlehttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1Abierto (Texto Completo)http://purl.org/coar/access_right/c_abf2Coy Mondragón, Germán EnriqueGranados, ÓscarGarcía-Bedoya, OlmerORIGINALdocument.pdfdocument.pdfVer documentoapplication/pdf1169734https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/27985/1/document.pdf439d7f83197d070ecfb0fd1a95cb2adfMD51open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-82938https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/27985/2/license.txtbaba314677a6b940f072575a13bb6906MD52open accessTHUMBNAILdocument.pdf.jpgdocument.pdf.jpgIM Thumbnailimage/jpeg15953https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/27985/3/document.pdf.jpga04b6095c8dbbe94583cfca94b311b79MD53open access20.500.12010/27985oai:expeditiorepositorio.utadeo.edu.co:20.500.12010/279852022-08-23 03:01:00.986open accessRepositorio Institucional - Universidad Jorge Tadeo Lozanoexpeditiorepositorio@utadeo.edu.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 |