Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

PRONÓSTICO DE TASAS USD/COP Y EUR/COP MEDIANTE DIFERENTES TÉCNICAS

FORECASTING USD/COP AND EUR/COP RATES USING DIFFERENT FORECASTING TECHNIQUES



Abrir | Descargar


Sección
Artículos

Cómo citar
[1]
L. Y. Zapata Rodríguez, M. Medina Jiménez, and R. A. Conto López, “PRONÓSTICO DE TASAS USD/COP Y EUR/COP MEDIANTE DIFERENTES TÉCNICAS”, Rev. Ing. Mat. Cienc. Inf, vol. 11, no. 22, Jul. 2024, doi: 10.21017/rimci.1077.

Dimensions
PlumX
Licencia
Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

 

Esta obra está bajo una licencia internacional

Atribución/Reconocimiento 4.0 Internacional
Linda Yurley Zapata Rodríguez

    Manuela Medina Jiménez

      Romario Ademir Conto López


        Linda Yurley Zapata Rodríguez,

        Ingeniera Financiera; Tecnóloga en análisis de costos y presupuestos, Instituto Tecnológico Metropolitano, Medellín, Colombia


        Manuela Medina Jiménez,

        Ingeniera Financiera; Tecnóloga en análisis de costos y presupuestos, Instituto Tecnológico Metropolitano, Medellín, Colombia,


        Romario Ademir Conto López,

        Ingeniero Administrador; Magíster en Estadística; Ph(c) en Ingeniería Industria y Organizaciones, Universidad Nacional de Colombia, Medellín, Colombia. Docente ocasional, Departamento de finanzas, Instituto Tecnológico Metropolitano, Medellín, Colombia. 


        En este artículo se realiza una aplicación de modelos de pronóstico para las tasas de cambio dólar y euro con relación al peso colombiano, con el objetivo de determinar cuál es el mejor método para predecir estas divisas. Son aplicados los modelos ARIMA, Suavizamiento Exponencial de Holt y Redes Neuronales, cuya eficiencia fue estudiada mediante el uso del error absoluto medio (MAE) y el error porcentual absoluto medio (MAPE). Se obtuvo que, tanto en el ajuste al histórico como el cálculo de predicciones futuras para ambas divisas, el mejor modelo fue la Red Neuronal Artificial ajustada, seguido por el suavizamiento Holt implementado y por último el modelo ARIMA (0,1,2) ajustado.


        Visitas del artículo 21 | Visitas PDF 12


        Descargas

        Los datos de descarga todavía no están disponibles.
        1. E. Ramírez, M. Cajigas Romero & F. Lozano Reyes, La tasa de cambio: ¿es gerenciable? Estudios Gerenciales, 23(104), 131–156. http://www.scielo.org.co/pdf/eg/v23n104/v23n104a06.pdf, 2017.
        2. S. Gallón Gómez & K. Gómez Portilla, K. Distribución condicional de los retornos de la tasa de cambio colombiana: Un ejercicio empírico a partir de modelos GARCH multivariados. Revista de Economía Del Rosario, 10(2), 127–152. DOI: https://doi.org/10.12804/revistas.urosario.edu.co/economia/a.1119. 2007.
        3. L. C. Roldán Martínez, Pronóstico de divisas latinoamericanas con modelos de Volatilidad Estática y Estocástico [Universidad Distrital Francisco José de Caldas]. https://www.redalyc.org/journal/4988/498858075004/498858075004.pdf. 2018.
        4. C. F. Hernández, R. C. Fortich Mesa & I. Vélez-Pareja, Proyección de la tasa de cambio de Colombia bajo condiciones de ppa: evidencia empírica usando var1,2. Estudios Gerenciales, 25(113), 211–226. DOI https://doi.org/10.1016/s0123-5923(09)70095-6. 2009.
        5. R. F. Ayala Castrejón & C. Bucio Pacheco, Modelo ARIMA aplicado al tipo de cambio peso-dólar en el periodo 2016-2017 mediante ventanas temporales deslizantes. Revista Mexicana de Economía y Finanzas Nueva Época, 15, 331–354. DOI: https://doi.org/10.21919/remef.v15i3.466. 2020.
        6. B. E. Puertas Vega & D. Monterroza, Comparación y evaluación de pronósticos de la tasa representativa de mercado (TRM) [Trabajo de grado]. https://biblioteca.utb.edu.co/notas/tesis/0049996.pdf. 2008.
        7. F. Villada, N. Muñoz y E. Henao, Aplicación de las Redes Neuronales al Pronóstico de Precios en el Mercado de Valores. Información Tecnológica, 23(4), 11–20. https://doi.org/10.4067/S0718-07642012000400003. 2012.
        8. N. Dinh-Thuan & L. Huu-Vinh, Predicting the Price of Bitcoin UsingHybrid ARIMA and Machine Learning [University of Information Technology]. https://www.researchgate.net/publication/337461909_Predicting_the_Price_of_Bitcoin_Using_Hybrid_ARIMA_and_Machine_Learning. 2019.
        9. G. E. Coy Mondragón, Ó. Granados & O. García Bedoya, Predicción de la serie temporal del indicador bancario de referencia (IBR) con redes neuronales. Revista Mutis, 11(1), 65–76. DOI: https://doi.org/10.21789/22561498.1748. 2021.
        10. M. A. Martínez Orozco, D. S. Guzmán Aguilar, F. O. Pérez Ramírez & N. J. Marín Rodríguez, Modelo cuantitativo ARIMAX- EGARCH para la predicción de la tasa de cambio colombiana (COP/USD). Espacios, 39(7). http://www.revistaespacios.com/a18v39n07/a18v39n07p16.pdf. 2018.
        11. M. A. Rey Vesga & J. A. Chamorro Chamorro, Comparación de cuatro métodos de predicción para dos acciones en la bolsa de valores de Colombia. [Universidad de la Salle]. https://ciencia.lasalle.edu.co/cgi/viewcontent.cgi?article=1139&context=ing_industrial. 2019.
        12. A. P. Paredes, J. A. C. de los Ángeles, A. M. G. Villalobos & V. J. Fonseca, Importancia de los pronósticos en la toma de decisiones en las MIPYMES. Revista GEON (Gestión, Organizaciones Y Negocios), 5(1), 97-114. DOI: https://doi.org/10.22579/23463910.17. 2018.
        13. F. V. Duque, W. M. Trejos & M. A. Henao, Pronóstico de las tasas de cambio. Una aplicación al Yen Japonés mediante redes neuronales artificiales. Scientia et technica, 1(30). https://www.scielo.cl/scielo.php?pid=S0718-07642011000600012&script=sci_arttext&tlng=en. 2006.
        Sistema OJS 3.4.0.5 - Metabiblioteca |