Predicción de tasa de interés y su relación con los indicadores económicos mediante Ciencia de Datos

Simple item page
dc.contributor.advisorArango Londoño, David
dc.contributor.authorMeza Pastrana, Sebastián Javier
dc.date.accessioned2025-03-14T14:21:44Z
dc.date.available2025-03-14T14:21:44Z
dc.date.issued2024
dc.description.abstractEl presente proyecto aborda la predicción de la Tasa de Intervención de Política Monetaria en Colombia, una variable crucial para la estabilidad macroeconómica y la toma de decisiones en política económica. Dada la relevancia de esta tasa para regular la liquidez, influir en las decisiones de inversión y financiamiento, y estabilizar los precios, se exploraron enfoques avanzados de predicción mediante modelos de Machine Learning, contrastándolos con un modelo econométrico tradicional de regresión lineal múltiple. La problemática identificada radica en las limitaciones de los enfoques econométricos lineales para capturar relaciones no lineales y manejar conjuntos de datos de alta dimensionalidad. Con base en esta problemática, el proyecto tuvo como objetivos principales identificar las variables macroeconómicas más relevantes, evaluar la precisión de diferentes algoritmos de Machine Learning (Ridge, Lasso, Random Forest, XGBoost y SVR) y comparar su desempeño con el modelo econométrico. Los resultados evidenciaron que los modelos de Machine Learning, en particular XGBoost y Random Forest, lograron un mejor desempeño predictivo con errores promedio más bajos (MSE de 0.11 y 0.16, respectivamente) y mayor capacidad explicativa (R² superior a 0.97 en prueba). Por otro lado, el modelo econométrico, aunque respaldado por fundamentos teóricos sólidos, se quedó corto en precisión y capacidad para capturar patrones complejos, presentando autocorrelación y heterocedasticidad en los residuos. Además, se implementaron herramientas como SHAP para mejorar la interpretabilidad de los modelos avanzados, identificando las variables macroeconómicas más influyentes en las predicciones. Este análisis integral no solo subraya la relevancia de la tasa de política monetaria para la estabilidad económica, sino que también demuestra la importancia de integrar métodos avanzados para lograr predicciones precisas y proporcionar herramientas útiles para la toma de decisiones en entornos de alta incertidumbre. Las aplicaciones de este trabajo incluyen el fortalecimiento de la planificación financiera y el diseño de políticas públicas más informadas, así como la mejora en la gestión de riesgos económicos en sectores como el financiero y el empresarial. Los hallazgos refuerzan la necesidad de métodos modernos en el análisis de variables clave para enfrentar los retos dinámicos de las economías modernas
dc.description.abstractengThis project addresses the prediction of the Monetary Policy Intervention Rate in Colombia, a crucial variable for macroeconomic stability and economic policy decision-making. Given the relevance of this rate in regulating liquidity, influencing investment and financing decisions, and stabilizing prices, advanced prediction approaches were explored using Machine Learning models, contrasting them with a traditional econometric multiple linear regression model. The problem identified lies in the limitations of linear econometric approaches to capture nonlinear relationships and handle high-dimensional data sets. Based on this problem, the project's main objectives were to identify the most relevant macroeconomic variables, evaluate the accuracy of different Machine Learning algorithms (Ridge, Lasso, Random Forest, XGBoost and SVR) and compare their performance with the econometric model. The results showed that the Machine Learning models, particularly XGBoost and Random Forest, achieved better predictive performance with lower average errors (MSE of 0.11 and 0.16, respectively) and greater explanatory power (R² greater than 0.97 in the test). On the other hand, the model Although supported by solid theoretical foundations, this econometric approach lacked precision and the ability to capture complex patterns, exhibiting autocorrelation and heteroskedasticity in the residuals. Furthermore, tools such as SHAP were implemented to improve the interpretability of advanced models, identifying the most influential macroeconomic variables in the predictions. This comprehensive analysis not only underscores the relevance of the monetary policy rate for economic stability but also demonstrates the importance of integrating advanced methods to achieve accurate predictions and provide useful tools for decision-making in environments of high uncertainty. Applications of this work include strengthening financial planning and designing more informed public policies, as well as improving economic risk management in sectors such as finance and business. The findings reinforce the need for modern methods in the analysis of key variables to address the dynamic challenges of modern economies.
dc.format.extent114 p.
dc.format.mimetypeapplication/pdf
dc.identifier.urihttp://hdl.handle.net/11522/4631
dc.language.isospa
dc.publisherPontificia Universidad Javariana Cali
dc.publisher.facultyFacultad de Ingeniería y Ciencias
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonshttps://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectTasa de interés de política monetaria
dc.subjectMachine learning
dc.subjectIndicadores macroeconómicos
dc.subjectCiencia de datos
dc.subjectModelo econométrico
dc.subjectMonetary policy interest rate
dc.subjectMacroeconomic indicators
dc.subjectData science
dc.subjectEconometric model
dc.thesis.disciplineFacultad de Ingeniería y Ciencias. Maestría en Ciencia de Datos - Modalidad virtual
dc.thesis.grantorPontificia Universidad Javeriana
dc.thesis.levelMaestría
dc.thesis.nameMagíster en Ciencia de Datos
dc.titlePredicción de tasa de interés y su relación con los indicadores económicos mediante Ciencia de Datosspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.localTesis/Trabajo de grado - Monografía - Maestría
dc.type.redcolhttps://purl.org/redcol/resource_type/TM
Files
Original bundle
Now showing 1 - 2 of 2
Thumbnail Image
Name:
Predicción Tasa Interés-Meza Pastrana.pdf
Size:
2.44 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Licencia_autorizacion.pdf
Size:
123.54 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Maestría en Ciencia de Datos