Medellín - Minas - Maestría en Ingeniería - Analítica · 2022
Redes neuronales regularizadas para la predicción de la inflación colombiana
Para el sector financiero una de las variables macroeconómicas relevantes es la inflación, esta es generada por diferentes presiones en la economía y sus efectos en la misma han sido ampliamente estudiados. Las decisiones de política monetaria que pueden controlar la inflación tienen un impacto directo en la economía y en el sector financiero, por lo que en este sector se tiene la necesidad de generar escenarios y expectativas de inflación que le permitan tomar decisiones adecuadas a cada uno de los actores responsables en este sector. En este trabajo, primero, se realiza una revisión de antecedentes en busca de variables que puedan aportar en un modelo de pronóstico para la inflación, se eligieron 24 variables de las cuales siete fueron finalmente seleccionadas mediante un modelo aditivo generalizado. Se entrenaron y evaluaron un total de 100 modelos de redes neuronales perceptrón multicapa con el objetivo de comparar el desempeño de tres regularizadores, LASSO (Least absolute shrinkage and selection operator), Ridge Regression y ElNet (Elastic Net), se realizó una validación cruzada de los modelos y los candidatos finales fueron evaluados con la medida del error cuadrático medio y coeficiente de determinación. El modelo que mejor representa el fenómeno de la inflación corresponde a una red regularizada con ElNet y fue comparado con un modelo ARIMA presentando un desempeño superior. (Texto tomado de la fuente)
Texto completo 73 páginas con texto de 79
Leer la tesis completa Ficha en el repositorio
Contenido
- Introducciónp. 15
- El problema del modelado y análisis de la inflaciónp. 19
- Motivación para estudiar la inflaciónp. 17
- Justificaciónp. 20
- Exploración de la Literaturap. 21
- Objetivosp. 27
- Alcancep. 28
- Herramientas para el modelado y análisis de series de tiempop. 31
- Series de tiempop. 29
- Machine learningp. 36
- Métricas de evaluación de los modelosp. 41
- Modelado y análisis de la inflaciónp. 45
- Entendimiento del negocio o problemap. 46
- Entendimiento de los datosp. 47
- Preparación de los datosp. 57
- Modelamientop. 64
- Evaluaciónp. 66
- Implementaciónp. 70
- Conclusiones y recomendacionesp. 71
- Conclusionesp. 71
- Recomendacionesp. 73
- Bibliografíap. 75
- Figura 3-1: Ciclo CRISP-DMp. 45
- Figura 3-2: Índice de precios al consumidor IPCp. 46
- Figura 3-3: Series de tiempo de las variables recolectadas relacionadas a tasasp. 48
- carterap. 49
- Figura 3-5: Series de tiempo de otras variables recolectadasp. 49
- monetariap. 50
- Figura 3-7: Series de tiempo relacionadas a tasas con frecuencia modificadap. 54
- Figura 3-8: Otras series de tiempo con frecuencia modificadap. 55
- carterap. 49
- Figura 3-10: Gráficos de dependencia parcial de variables relacionadas a tasasp. 61
- monetariap. 50
- Figura 3-12: Gráficos de dependencia parcial de variables relacionadas a preciosp. 63
- Figura 3-13: Gráficos de dependencia parcial de otras variables recolectadasp. 63
- Figura 3-14: Ajuste de modelos sobre el conjunto de entrenamientop. 67
- Figura 3-15: Predicción del modelo “Base” sobre el conjunto de pruebap. 68
- Figura 3-16: Predicción del modelo LASSO sobre el conjunto de pruebap. 68
- Figura 3-17: Predicción del modelo Ridge sobre el conjunto de pruebap. 69
- Figura 3-18: Predicción del modelo ElNet sobre el conjunto de pruebap. 69
- Figura 3-19: Predicción de modelo ARIMA sobre el conjunto de pruebap. 70
- Tabla 3-1: Resumen de estadísticas del IPCp. 46
- Tabla 3-2: Resumen de estadísticas de las variables recolectadasp. 50
- Tabla 3-3: Resumen de estadísticas de las series con frecuencia modificadap. 56
- Tabla 3-4: Búsqueda de hiperparámetros para modelos con regularizadoresp. 65
- Tabla 3-5: Resultados validación cruzada y MSE sobre conjunto de entrenamientop. 66