Predicción de la serie temporal del indicador bancario de referencia (IBR) con redes neuronales

espanolEn anos recientes, la prediccion del comportamiento del Indicador Bancario de Referencia (IBR) se ha hecho relevante debido a su importancia en el mercado monetario colombiano. El proposito de este trabajo es demostrar la eficiencia de las redes LSTM en la generacion de predicciones de series de tiempo —a traves de su memoria a corto y largo plazo— que sean comparables con el modelo predictivo ARIMA para estudios econometricos. Se analizo la incidencia de la tasa representativa de mercado (TRM) y la tasa de los bonos de la deuda publica (TES) a 10 anos, comparando ambos indicadores con el IBR. Con lo anterior, se busco determinar la correlacion existente entre estas variables mediante el metodo de Pearson. Finalmente, la eficiencia del modelo fue evaluada con el error cuadratico medio (RMSE), utilizando una red LSTM multivariable con tres entradas (IBR, TES y TRM) y una salida. EnglishIn 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.