Modelo de redes neuronales artificiales para la proyección del tipo de cambio en el Perú: Periodo 2005 - 2023

Sana Tomateo, Fabricio Alejandro

Modelo de redes neuronales artificiales para la proyección del tipo de cambio en el Perú: Periodo 2005 - 2023

dc.contributor.advisor	Molina Rodríguez, Fredy Nicolás
dc.contributor.author	Sana Tomateo, Fabricio Alejandro
dc.date.accessioned	2024-08-02T15:39:21Z
dc.date.available	2024-08-02T15:39:21Z
dc.date.issued	2024-07-01
dc.description.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).
dc.format	application/pdf
dc.identifier.uri	https://hdl.handle.net/20.500.12920/13896
dc.language.iso	spa
dc.publisher	Universidad Católica de Santa María
dc.publisher.country	PE
dc.rights	info:eu-repo/semantics/restrictedAccess
dc.rights.uri	https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.source	Universidad Católica de Santa María
dc.source	Repositorio de la Universidad Católica de Santa María - UCSM
dc.subject	Finanzas
dc.subject	Redes neuronales artificiales
dc.subject	Tipo de cambio
dc.title	Modelo de redes neuronales artificiales para la proyección del tipo de cambio en el Perú: Periodo 2005 - 2023
dc.type	info:eu-repo/semantics/masterThesis
dc.type.version	info:eu-repo/semantics/publishedVersion
renati.advisor.dni	29440909
renati.advisor.orcid	0000-0002-9596-2530
renati.author.dni	45020785
renati.discipline	413207
renati.juror	Ticse Villanueva, Edwing Jesus
renati.juror	Vargas Espinoza, Luis
renati.juror	Samalvides Marquez, Elberth Hernan
renati.level	https://purl.org/pe-repo/renati/nivel#maestro
renati.type	https://purl.org/pe-repo/renati/type#tesis
thesis.degree.discipline	Maestría en Administración de Negocios
thesis.degree.grantor	Universidad Católica de Santa Maria.Escuela de Postgrado
thesis.degree.name	Maestro en Administración de Negocios