Pronóstico de la tasa de cambio representativa del mercado colombiano (TRM) con redes neuronales recurrentes LSTM.

Abstract

La predicción de datos en series temporales desempeña un papel crucial en diversos sectores como la economía, los negocios y las finanzas. A lo largo de la historia, se han empleado varias técnicas para anticipar de manera efectiva el comportamiento futuro de estas series. No obstante, con el avance de algoritmos y enfoques más sofisticados de aprendizaje automático, han surgido nuevos métodos para analizar y prever su comportamiento futuro. En este estudio, se propone la utilización de redes neuronales de memoria a largo plazo (LSTM), una técnica de aprendizaje profundo, para llevar a cabo pronósticos de la Tasa de Cambio Representativa del Mercado colombiano (TRM). Los resultados obtenidos respaldan el análisis empírico, evidenciando que los algoritmos basados en el aprendizaje profundo, como LSTM, presentan un rendimiento superior en la predicción de la TRM, al estimar un R cuadrado igual a 0.93, en comparación con el 0.537 estimado a través del enfoque tradicional de media móvil autorregresiva integrada (ARIMA), representando así una mejora del 73% en la capacidad de predicción. Además, las métricas de error como medio (MSE), el error absoluto medio (MAE) y la raíz del error cuadrático medio (RMSE) demuestran que el modelo propuesto logró reducir las tasas de error en promedio en un 70%. Estos hallazgos subrayan la eficiencia de las redes neuronales de memoria a largo plazo en el pronóstico preciso de la TRM, destacando su utilidad en comparación con enfoques más convencionales.