Predicción de la serie temporal del indicador bancario de referencia (ibr) con redes neuronales
Documentos PDF
Abstract
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.
Summary in foreign language
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.
Palabras clave
Series de tiempo; Aprendizaje automático; Redes lstmLink to resource
https://doi.org/10.21789/22561498.1748Collections
- Año 2020 [150]
Comments