Predicción de la serie temporal del indicador bancario de referencia (IBR) con redes neuronales

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.

Keywords

• series de tiempo
• time series
• aprendizaje automático
• machine learning
• redes lstm
• lstm network
• arima
• root mean square error (rmse)
• coeficiente de correlación de pearson