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

Resumen

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.

Palabras clave:

series de tiempo aprendizaje automático redes LSTM ARIMA coeficiente de correlación de Pearson

Citas

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

Kumar, J., Goomer, R., & Singh, A. K. (2018). Long short-term memory recurrent neural network (LSTM-RNN) based workload forecasting model for cloud datacenters. Procedia Computer Science, 125, 676-682. https://doi.org/10.1016/j.procs.2017.12.087

Leal, F., Molina, C., & Zilberman, E. (2020). Proyección de la inflación en chile con métodos de machine learning. Banco Central de Chile

Li, D., Zhang, Y., Gong, D., Pan, L., & Zhao, Y. (2020). Gas data prediction based on LSTM neural network. MS&E, 750(1), 012175. https://doi.org/10.1088/1757-899X/750/1/012175

Liu, P., Qiu, X., & Huang, X. (2016). Recurrent neural network for text classification with multi-task learning. arXiv preprint arXiv, 1605.05101.

Pai, P. F., & Lin, C. S. (2005). A hybrid ARIMA and support vector machines model in stock price forecasting. Omega, 33(6), 497-505. https://doi.org/10.1016/j.omega.2004.07.024

Pastor-Cobo, M., & Torre-Barrio, P. Elaboración de un algoritmo predictivo sobre la evolución del precio de las criptomonedas (tesis de pregrado, Universidad Complutense de Madrid). Repositorio Universidad Complutense de Madrid.

Qiu, J., Wang, B., & Zhou, C. (2020). Forecasting stock prices with long-short term memory neural network based on attention mechanism. PloS One, 15(1), e0227222. https://doi.org/10.1371/journal.pone.0227222

Restrepo, L. F., & González, J. (2007). From Pearson to Spearman. Revista Colombiana de Ciencias Pecuarias, 20(2), 183-192.

Robles, H. P. (2019). Uso de redes neuronales para el pronóstico de la inflación en México. Almanaque Económico, 1, 69-74.

Rodrı́guez-Vargas, A. (2020). Forecasting Costa Rican inflation with machine learning methods. Banco Central de Costa Rica.

Tan, X. (2019). LIBOR prediction using genetic algorithm and genetic algorithm integrated with recurrent neural network. 2019 Global Conference for Advancement in Technology (GCAT). Bangalore, India. https://doi.org/10.1109/GCAT47503.2019.8978299

Villada, F., Muñoz, N., & Garcı́a, E. (2012). Aplicación de las redes neuronales al pronóstico de precios en el mercado de valores. Información Tecnológica, 23(4), 11-20. https://doi.org/10.4067/S0718-07642012000400003

Wirth, R., & Hipp, J. (2000). CRISP-DM: Towards a standard process model for data mining. Proceedings of the 4th International Conference on the Practical Applications of Knowledge Discovery and Data Mining (pp. 29-39).

Zhang, X., Liang, X., Zhiyuli, A., Zhang, S., Xu, R., & Wu, B. (2019). AT-LSTM: An attention-based LSTM model for financial time series prediction. IOP Conference Series: Materials science and engineering, 569, 052037. https://doi.org/10.1088/1757-899X/569/5/052037

Citado por