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:
2023
Institución:
Universidad de Bogotá Jorge Tadeo Lozano
Repositorio:
Expeditio: repositorio UTadeo
Idioma:
spa
OAI Identifier:
oai:expeditiorepositorio.utadeo.edu.co:20.500.12010/32258
Acceso en línea:
https://revistas.utadeo.edu.co/index.php/mutis/article/view/1748/1767
http://hdl.handle.net/20.500.12010/32258
Palabra clave:
Series de tiempo
Aprendizaje Automático
Redes LSTM
ARIMA
Coeficiente de correlación de Pearson
Rights
License
Abierto (Texto Completo)
id UTADEO2_f56e67c96651621757052ec779b015f2
oai_identifier_str oai:expeditiorepositorio.utadeo.edu.co:20.500.12010/32258
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
Series de tiempo
Aprendizaje Automático
Redes LSTM
ARIMA
Coeficiente de correlación de Pearson
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
ARIMA
topic Series de tiempo
Aprendizaje Automático
Redes LSTM
ARIMA
Coeficiente de correlación de Pearson
dc.subject.lemb.spa.fl_str_mv Coeficiente de correlación de Pearson
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 2023
dc.date.accessioned.none.fl_str_mv 2023-10-31T03:42:53Z
dc.date.available.none.fl_str_mv 2023-10-31T03:42:53Z
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.other.spa.fl_str_mv https://revistas.utadeo.edu.co/index.php/mutis/article/view/1748/1767
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/20.500.12010/32258
url https://revistas.utadeo.edu.co/index.php/mutis/article/view/1748/1767
http://hdl.handle.net/20.500.12010/32258
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv Abrantes-Metz, R. M., Villas-Boas, S. B., & Judge, G. (2011). Tracking the libor rate. Applied Economics Letters, 18(10), 893-899. https://doi.org/10.1080/ 13504851.2010.515197
Bükk, A., & Johansson, R. (2020). Vehicle trajectory prediction using recurrent lstm neural networks (tesis de maestría, Chalmers University of Technology). https://odr.chalmers.se/ bitstream/20.500.12380/300726/1/B%C3%BCkk_ Johansson_2020.pdf
Cardozo, P., & Murcia, A. (2014). El ibr y la dtf como indicadores de referencia. Reportes del Emisor n.° 187. Banco de la República de Colombia.
Castillo-Mur, A. (2020). Las criptomonedas en el sistema financiero internacional. Un análisis predictivo mediante técnicas de machine learning (lstm) (tesis de pregrado Universidad de Barcelona/Universidad Politécnica de Catalunya). Dipòsit Digital de la Universitat de Barcelona. http://diposit.ub.edu/dspace/ handle/2445/171827
Dmitrieva, L., Kuperin, Y., & Soroka, I. (2002). Neural network prediction of short-term dynamics of futures on Deutsche mark, libor and S&P500. En P. M. A. Sloot, A. G. Hoekstra, C. J. K. Tan, & J. J. Dongarra (eds.), Computational Science — iccs 2002. iccs 2002. Lecture Notes in Computer Science (pp. 1201-1208). Springer. https://doi. org/10.1007/3-540-47789-6_127
Duffie, D., & Stein, J. C. (2015). Reforming libor and other financial market benchmarks. Journal of Economic Perspectives, 29(2), 191-212. https:// doi.org/10.1257/jep.29.2.191
Fagerström, J., Bång, M., Wilhelms, D., & Chew, M. S. (2019). LiSep lstm: A machine learning algorithm for early detection of septic shock. Scientific Reports, 9(1), 15132. https://doi.org/10.1038/ s41598-019-51219-4
Jamshidian, F. (1997). libor and swap market models and measures. Finance and Stochastics, 1(4), 293- 330. https://doi.org/10.1007/s007800050026
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.publisher.spa.fl_str_mv Revista Mutis
institution Universidad de Bogotá Jorge Tadeo Lozano
bitstream.url.fl_str_mv https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/32258/1/document%20%284%29%20%281%29.pdf
https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/32258/2/license.txt
https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/32258/3/document%20%284%29%20%281%29.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_ 1818152918543499264
spelling 2023-10-31T03:42:53Z2023-10-31T03:42:53Zhttps://revistas.utadeo.edu.co/index.php/mutis/article/view/1748/1767http://hdl.handle.net/20.500.12010/32258En 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.#IndicadorBancarioDeReferenciaIn recent years, predicting the behavior of the Benchmark Banking Indicator (ibr) has become relevant due to its importance in the Colombian money market. The purpose of this paper is to demonstrate the efficiency of lstm networks for generating predictions of time series —through their long and shortterm memory— that are comparable with the arima predictive model for econometric studies. The incidence 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 correlation 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/pdfspaRevista MutisSeries de tiempoAprendizaje AutomáticoRedes LSTMARIMACoeficiente de correlación de PearsonPredicción de la serie temporal del indicador bancario de referencia (ibr) con redes neuronalesAbierto (Texto Completo)http://purl.org/coar/access_right/c_abf2Abrantes-Metz, R. M., Villas-Boas, S. B., & Judge, G. (2011). Tracking the libor rate. Applied Economics Letters, 18(10), 893-899. https://doi.org/10.1080/ 13504851.2010.515197Bükk, A., & Johansson, R. (2020). Vehicle trajectory prediction using recurrent lstm neural networks (tesis de maestría, Chalmers University of Technology). https://odr.chalmers.se/ bitstream/20.500.12380/300726/1/B%C3%BCkk_ Johansson_2020.pdfCardozo, P., & Murcia, A. (2014). El ibr y la dtf como indicadores de referencia. Reportes del Emisor n.° 187. Banco de la República de Colombia.Castillo-Mur, A. (2020). Las criptomonedas en el sistema financiero internacional. Un análisis predictivo mediante técnicas de machine learning (lstm) (tesis de pregrado Universidad de Barcelona/Universidad Politécnica de Catalunya). Dipòsit Digital de la Universitat de Barcelona. http://diposit.ub.edu/dspace/ handle/2445/171827Dmitrieva, L., Kuperin, Y., & Soroka, I. (2002). Neural network prediction of short-term dynamics of futures on Deutsche mark, libor and S&P500. En P. M. A. Sloot, A. G. Hoekstra, C. J. K. Tan, & J. J. Dongarra (eds.), Computational Science — iccs 2002. iccs 2002. Lecture Notes in Computer Science (pp. 1201-1208). Springer. https://doi. org/10.1007/3-540-47789-6_127Duffie, D., & Stein, J. C. (2015). Reforming libor and other financial market benchmarks. Journal of Economic Perspectives, 29(2), 191-212. https:// doi.org/10.1257/jep.29.2.191Fagerström, J., Bång, M., Wilhelms, D., & Chew, M. S. (2019). LiSep lstm: A machine learning algorithm for early detection of septic shock. Scientific Reports, 9(1), 15132. https://doi.org/10.1038/ s41598-019-51219-4Jamshidian, F. (1997). libor and swap market models and measures. Finance and Stochastics, 1(4), 293- 330. https://doi.org/10.1007/s007800050026http://purl.org/coar/resource_type/c_6501Coy Mondragón, Germán EnriqueGranados, OscarGarcia-Bedoya, OlmerORIGINALdocument (4) (1).pdfdocument (4) (1).pdfapplication/pdf1169734https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/32258/1/document%20%284%29%20%281%29.pdf439d7f83197d070ecfb0fd1a95cb2adfMD51open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-82938https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/32258/2/license.txtbaba314677a6b940f072575a13bb6906MD52open accessTHUMBNAILdocument (4) (1).pdf.jpgdocument (4) (1).pdf.jpgIM Thumbnailimage/jpeg15953https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/32258/3/document%20%284%29%20%281%29.pdf.jpga04b6095c8dbbe94583cfca94b311b79MD53open access20.500.12010/32258oai:expeditiorepositorio.utadeo.edu.co:20.500.12010/322582023-11-10 10:01:12.667open accessRepositorio Institucional - Universidad Jorge Tadeo Lozanoexpeditiorepositorio@utadeo.edu.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

Publicaciones similares