Pabón Burbano , María ConstanzaContreras Fuentes, WilliamEspinoza Guarnizo, CamiloAgredo Chávez, Jorge2025-11-062025-11-062025http://hdl.handle.net/11522/5056Las remesas son transferencias de dinero enviadas por trabajadores migrantes a sus países de origen para el sostenimiento de sus hogares [1]. En Colombia, según el DANE, estos flujos representaron aproximadamente el 2,8% del Producto Interno Bruto (PIB) en 2024. Dentro de la gestión operativa de las remesas, la predicción del monto en dólares por fecha de origen es un insumo clave, ya que la tasa de cambio se fija en el momento de iniciar cada transacción. Contar con una estimación anticipada permite a los agentes locales optimizar su cobertura cambiaria, mitigando los riesgos asociados. Para abordar este desafío, el proyecto desarrolló modelos predictivos basados en técnicas avanzadas de ciencia de datos, utilizando información histórica suministrada por una entidad financiera con alto volumen de operaciones en remesas en Colombia. El conjunto de datos abarcó un periodo de dos años y se compararon modelos con algoritmos de aprendizaje automático y análisis de series temporales. Entre los hallazgos más relevantes, se destaca que los modelos de árboles de decisión optimizados y redes neuronales recurrentes ofrecieron los mejores niveles de precisión, superando ampliamente a enfoques tradicionales como ARIMA o regresión basada en SVM. El mejor modelo alcanzó un R² de hasta 99.58 %, con un error absoluto medio significativamente bajo. Estos resultados confirman el valor de incorporar estructuras no lineales y secuenciales para mejorar la capacidad de pronóstico.Remittances are money transfers sent by migrant workers to their countries of origin to support their households [1]. In Colombia, according to DANE, these flows represented approximately 2.8% of the Gross Domestic Product (GDP) in 2024. Within the operational management of remittances, predicting the amount in U.S. dollars by date of origin is a key input, as the exchange rate is fixed at the moment each transaction begins. Having an early estimate allows local agents to optimize their currency coverage, mitigating associated risks. To address this challenge, the project developed predictive models based on advanced data science techniques, using historical information provided by a financial institution with a high volume of remittance operations in Colombia. The dataset covered a two-year period, and models were compared using machine learning algorithms and time series analysis. Among the most relevant findings, optimized decision tree models and recurrent neural networks offered the highest levels of accuracy, significantly outperforming traditional approaches such as ARIMA or SVM-based regression. The best model achieved an R² of up to 99.58%, with a significantly low mean absolute error. These results confirm the value of incorporating nonlinear and sequential structures to improve forecasting capabilities.111 p.application/pdfspaRemesasPredicciónSeries de tiempoAprendizaje automáticoRedes neuronalesRemittancesForecastingTime seriesMachine learningNeural networksmaster thesishttps://creativecommons.org/licenses/by-nc-sa/4.0/http://purl.org/coar/access_right/c_abf2