Modelo de redes neuronales artificiales para la proyección del tipo de cambio en el Perú: Periodo 2005 - 2023
Loading...
Date
2024-07-01
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Católica de Santa María
Abstract
FinanzasEl objetivo de la presente investigación es demostrar que el modelo de redes neuronales
artificiales presenta menores niveles de error en la proyección de tipos de cambio
(PEN/USD) en comparación con el modelo ARIMA. Siguiendo a Guerrero López (2018) y
a Mørkved Blom, de Lange, & Risstad (2023) se ha utilizado las series de tipo de cambio
interbancario del BCRP, esto se operativiza mediante las APIs para posteriormente utilizar
la metodología Box-Jenkins y una propuesta de modelo de redes neuronales convolucionales
(RNC), luego se comparan los errores cuadráticos medio (ECM) de ambos modelos para
realizar el contraste de hipótesis. El software utilizado para realizar el procesamiento de
datos fue Python ejecutado en el entorno Colaboratory ®. Dentro de las bibliotecas utilizadas
destacan statmodels y tensorflow, además, se han utilizado las redes neuronales
convolucionales con una función tanh como función de activación esto en línea con los
hallazgos de Géron (2019) y Montesinos López, Montesinos López, & Crossa (2022). La
data utilizada va desde el 21 de marzo del 2005 hasta 15 de abril del 2024.
Se tiene a Géron (2019); Han, Kamber, & Pei (2012) y Montesinos López, Montesinos
López, & Crossa (2022) como base para el marco teórico y metodológico, junto a las
herramientas ya mencionadas se ha llegado a que el ECM de las RNC de 0.0002 y de ECM
de 0.0016 del ARIMA para el tipo de cambio interbancario ventas, mientras para el tipo de
cambio interbancario compra el ECM de las RNC es de 0.0003 y el ECM del ARIMA es de
0.0016. Se llega a la conclusión de que las redes neuronales artificiales obtienen
proyecciones con un menor nivel de error, por lo cual, se demuestra la hipótesis de la
presente investigación. Los resultados encontrados presentan similitudes con los modelos
propuestos por Sun, Ma, Wang, Wei, & Lai (2022) y Flores-Sosa, León-Castro, Merigó, &
Yager (2022).
Description
Keywords
Finanzas, Redes neuronales artificiales, Tipo de cambio