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

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

In this paper, we have an application of forecast models for the dollar and euro exchange rates in relation to the Colombian peso, which aims to determine the best method to predict these currencies. ARIMA models, Holt exponential smoothing, and neural networks are applied, and each method's accuracy was studied using the mean absolute error (MAE) and mean absolute percentage error (MAPE). It was obtained that, both in the historical adjustment and in the calculation of future predictions for both currencies, the most model was the adjusted Artificial Neural Network, followed by the implemented Holt smoothing and finally the ARIMA (0,1,2) model.

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.