Titulo:
Predicción de la serie temporal del indicador bancario de referencia (IBR) con redes neuronales
.
Sumario:
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 mode... Ver más
Guardado en:
2256-1498
11
2021-02-16
65
76
Revista Mutis - 2021
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
| id |
metarevistapublica_utadeo_revistamutis_66_article_1748 |
|---|---|
| record_format |
ojs |
| spelling |
Predicción de la serie temporal del indicador bancario de referencia (IBR) con redes neuronales Predicting the Benchmark Banking Indicator (IBR) Time Series through Neural Networks 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. In recent years, predicting the behavior of the Benchmark Banking Indicator (IBR) has become relevant due to its importance in the Colombian money market. The purpose of this paper is to demonstrate the efficiency of LSTM networks for generating predictions of time series —through their long and short-term memory— that are comparable with the ARIMA predictive model for econometric studies. The incidence 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 correlation 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. Coy Mondragón, Germán Enrique Granados, Óscar Garcia-Bedoya, Olmer series de tiempo aprendizaje automático redes LSTM ARIMA coeficiente de correlación de Pearson Time Series machine learning LSTM Network Root Mean Square Error (RMSE) ARIMA Pearson Correlation Coefficient 11 1 Artículo de revista Journal article 2021-02-16T00:00:00Z 2021-02-16T00:00:00Z 2021-02-16 application/pdf text/xml Universidad de Bogotá Jorge Tadeo Lozano Revista Mutis 2256-1498 https://revistas.utadeo.edu.co/index.php/mutis/article/view/1748 10.21789/22561498.1748 https://doi.org/10.21789/22561498.1748 spa https://creativecommons.org/licenses/by-nc-sa/4.0 Revista Mutis - 2021 Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0. 65 76 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 https://revistas.utadeo.edu.co/index.php/mutis/article/download/1748/1767 https://revistas.utadeo.edu.co/index.php/mutis/article/download/1748/1978 info:eu-repo/semantics/article http://purl.org/coar/resource_type/c_6501 http://purl.org/redcol/resource_type/ARTREF info:eu-repo/semantics/publishedVersion http://purl.org/coar/version/c_970fb48d4fbd8a85 info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 Text Publication |
| institution |
UNIVERSIDAD JORGE TADEO LOZANO |
| thumbnail |
https://nuevo.metarevistas.org/UNIVERSIDADJORGETADEOLOZANO/logo.png |
| country_str |
Colombia |
| collection |
Revista Mutis |
| title |
Predicción de la serie temporal del indicador bancario de referencia (IBR) con redes neuronales |
| spellingShingle |
Predicción de la serie temporal del indicador bancario de referencia (IBR) con redes neuronales Coy Mondragón, Germán Enrique Granados, Óscar Garcia-Bedoya, Olmer series de tiempo aprendizaje automático redes LSTM ARIMA coeficiente de correlación de Pearson Time Series machine learning LSTM Network Root Mean Square Error (RMSE) ARIMA Pearson Correlation Coefficient |
| title_short |
Predicción de la serie temporal del indicador bancario de referencia (IBR) con redes neuronales |
| title_full |
Predicción de la serie temporal del indicador bancario de referencia (IBR) con redes neuronales |
| title_fullStr |
Predicción de la serie temporal del indicador bancario de referencia (IBR) con redes neuronales |
| title_full_unstemmed |
Predicción de la serie temporal del indicador bancario de referencia (IBR) con redes neuronales |
| title_sort |
predicción de la serie temporal del indicador bancario de referencia (ibr) con redes neuronales |
| title_eng |
Predicting the Benchmark Banking Indicator (IBR) Time Series through Neural Networks |
| description |
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.
|
| description_eng |
In recent years, predicting the behavior of the Benchmark Banking Indicator (IBR) has become relevant due to its importance in the Colombian money market. The purpose of this paper is to demonstrate the efficiency of LSTM networks for generating predictions of time series —through their long and short-term memory— that are comparable with the ARIMA predictive model for econometric studies. The incidence 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 correlation 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.
|
| author |
Coy Mondragón, Germán Enrique Granados, Óscar Garcia-Bedoya, Olmer |
| author_facet |
Coy Mondragón, Germán Enrique Granados, Óscar Garcia-Bedoya, Olmer |
| topicspa_str_mv |
series de tiempo aprendizaje automático redes LSTM ARIMA coeficiente de correlación de Pearson |
| topic |
series de tiempo aprendizaje automático redes LSTM ARIMA coeficiente de correlación de Pearson Time Series machine learning LSTM Network Root Mean Square Error (RMSE) ARIMA Pearson Correlation Coefficient |
| topic_facet |
series de tiempo aprendizaje automático redes LSTM ARIMA coeficiente de correlación de Pearson Time Series machine learning LSTM Network Root Mean Square Error (RMSE) ARIMA Pearson Correlation Coefficient |
| citationvolume |
11 |
| citationissue |
1 |
| publisher |
Universidad de Bogotá Jorge Tadeo Lozano |
| ispartofjournal |
Revista Mutis |
| source |
https://revistas.utadeo.edu.co/index.php/mutis/article/view/1748 |
| language |
spa |
| format |
Article |
| rights |
https://creativecommons.org/licenses/by-nc-sa/4.0 Revista Mutis - 2021 Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0. info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 |
| references |
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 |
| type_driver |
info:eu-repo/semantics/article |
| type_coar |
http://purl.org/coar/resource_type/c_6501 |
| type_version |
info:eu-repo/semantics/publishedVersion |
| type_coarversion |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| type_content |
Text |
| publishDate |
2021-02-16 |
| date_accessioned |
2021-02-16T00:00:00Z |
| date_available |
2021-02-16T00:00:00Z |
| url |
https://revistas.utadeo.edu.co/index.php/mutis/article/view/1748 |
| url_doi |
https://doi.org/10.21789/22561498.1748 |
| eissn |
2256-1498 |
| doi |
10.21789/22561498.1748 |
| citationstartpage |
65 |
| citationendpage |
76 |
| url2_str_mv |
https://revistas.utadeo.edu.co/index.php/mutis/article/download/1748/1767 |
| url4_str_mv |
https://revistas.utadeo.edu.co/index.php/mutis/article/download/1748/1978 |
| _version_ |
1811200039315308544 |