Professional Documents
Culture Documents
**
***
Ingeniera de sistemas, Universidad Nacional de Colombia, 2006. Miembro del Grupo de Finanzas Computacionales, Facultad de Minas, Universidad Nacional de Colombia. Correo electrnico: lmgonzal@unalmed.edu.co
319
RESUMEN
ABSTRACT
Palabras clave: redes neuronales artificiales, tasa de cambio, series de tiempo, modelado.
320
MODELADO DEL NDICE DE TIPO DE CAMBIO REAL COLOMBIANO USANDO REDES NEURONALES ARTIFICIALES
Introduccin
Durante las ltimas dcadas, la representacin de relaciones econmicas no lineales
ha sido un problema de investigacin muy
importante (van Djck, 1999; Granger y
Tersvirta, 1993), de tal forma que la
econometra emprica se ha nutrido de muchos modelos y tcnicas, cuyos orgenes
se encuentran en la estadstica y la inteligencia artificial. Particularmente, el uso de
las redes neuronales artificiales ha venido
ganando terreno, debido a su capacidad para
representar relaciones desconocidas a partir de los datos mismos, en aquellos casos
donde la economa no brinda suficientes elementos para establecer la forma funcional
de dicha relacin. Ms an, se han dedicado importantes esfuerzos para desarrollar
aproximaciones metodolgicas que permitan formular y formalizar esta clase de modelos a partir de criterios estadsticos y, as,
abandonar los mtodos ad hoc tradicionales
vase, por ejemplo, a Anders y Korn
(1999), Fukumizu (2003), entre otros.
Igualmente, ha resultado importante la aplicacin de estas metodologas en el modelado y prediccin de series econmicas y
financieras reales con el fin de ganar una
mayor experiencia en su uso, ya que, tal
como lo sealan Granger y Tersvirta
(1993), no hay suficientes indicios que permitan determinar cules modelos podran ser
los ms adecuados en la representacin
emprica de relaciones econmicas.
Por otra parte, el modelado y la prediccin
de las tasas de cambio han sido reconocidos
como importantes problemas econmicos, en
especial por la dificultad para realizar predic-
321
322
y Otero (2002) analizan las relaciones de largo plazo entre las tasas de cambio oficial y
paralela bajo los regmenes de banda
cambiaria y tasa de cambio flexible. Igualmente, se han desarrollado estudios sobre la
tasa de cambio real para el caso colombiano,
con el fin de explicar sus determinantes
(Echavarra y Gaviria, 1992; Langebaek,
1993; Caldern, 1995; Meisel, 1994).
Sin embargo, no se encontraron hallazgos
sobre la realizacin de estudios en el modelado del ndice del tipo de cambio real
(ITCR), aunque este es un importante indicador econmico que permite comparar la
evolucin relativa de la tasa de cambio colombiana en relacin con las monedas de
una canasta especfica de pases y las variaciones de los precios relativos. En este
artculo se contribuye en esa direccin, al
desarrollar un modelo univariado basado en
redes neuronales artificiales del ITCR del
peso colombiano frente a 18 pases miembros del Fondo Monetario Internacional
(FMI)1 . Este reporte se encuentra organizado de la siguiente manera: la descripcin
de la informacin utilizada y la metodologa
de modelado son presentadas en la Seccin
1. El modelo obtenido, los resultados de las
pruebas estadsticas de especificacin y su
discusin son presentados en la Seccin 2.
Finalmente, las principales conclusiones son
esbozadas en la Seccin 3.
Este es un ejercicio de modelado y no de prediccin, ya que se busca un modelo que pueda representar la dinmica de la serie estudiada y no el
modelo que permita pronosticarla con la mayor
precisin posible.
MODELADO DEL NDICE DE TIPO DE CAMBIO REAL COLOMBIANO USANDO REDES NEURONALES ARTIFICIALES
1. Datos y metodologa
1.1 Informacin utilizada
1.1.1 Formacin de la tasa de cambio
La tasa de cambio representativa del mercado (TRM) del peso colombiano respecto
al dlar americano es el valor calculado y
certificado por la Superintendencia Financiera (conocida anteriormente como la Superintendencia Bancaria), que corresponde
al promedio ponderado de pesos colombianos pagados por cada dlar americano de
las operaciones de compra y venta de dlares del da hbil inmediatamente anterior. No
incluye las operaciones de ventanilla y de
derivados sobre divisas que llevan a cabo
los establecimientos de crdito en las ciudades de Bogot, Medelln, Cali y Barranquilla. La TRM para el da siguiente a un da
que es hbil en Colombia y festivo en Estados Unidos es la misma TRM vigente el da
festivo. Es un indicador de las operaciones
de compra y venta de dlares en el mercado
cambiario, y sus fluctuaciones dependen de
la relacin entre la oferta y la demanda.
El mercado cambiario colombiano est compuesto por un mercado regulado y por un
mercado libre. El primero est conformado
por las transacciones que se realizan mediante los intermediarios cambiarios autorizados (como las entidades financieras);
mientras que el mercado libre comprende
las dems transacciones de cambio entre el
dlar y el peso colombiano realizadas por el
pblico en general.
Igualmente, el mercado cambiario est conformado por los intermediarios y el pblico
323
324
MODELADO DEL NDICE DE TIPO DE CAMBIO REAL COLOMBIANO USANDO REDES NEURONALES ARTIFICIALES
Grfico 1
ndice de tipo de cambio real efectivo (fuente FMI) calculado para el peso
colombiano frente a 18 pases miembros del FMI entre 1989:12 y 2003:10
yt = * + h g 1 *,h + p ,h yt p + t
2
h =1
p =1
(1)
325
Grfico 2
Modelo de redes neuronales
326
MODELADO DEL NDICE DE TIPO DE CAMBIO REAL COLOMBIANO USANDO REDES NEURONALES ARTIFICIALES
1 exp(u )
+ 0.01u
1 + exp(u )
(2)
327
328
MODELADO DEL NDICE DE TIPO DE CAMBIO REAL COLOMBIANO USANDO REDES NEURONALES ARTIFICIALES
Grfico 3
Propiedades estadsticas del ITCRFMI
329
Cuadro 1
Criterios de informacin calculados para un modelo autorregresivo de orden P
P
1
2
3
4
5
6
7
8
9
10
11
12
AK
5,5509
5,5601
5,5533
5,5612
5,5946
5,8258
5,7981
6,3978
6,0394
6,0659
6,5986
7,4414
HQ
5,5707
5,5865
5,5863
5,6008
5,6408
5,8787
5,8575
6,4638
6,1121
6,1451
6,6845
7,5338
SC
5,5999
5,6254
5,6349
5,6591
5,7089
5,9564
5,9450
6,5610
6,2190
6,2617
6,8108
7,6699
Kennan
4,854*
2,551
2,638
2,539
2,315
2,296
2,288
2,292
2,369
2,343
2,397
2,736
RESET
7,556**
2,895
3,117*
3,029*
2,731
2,757
2,737
2,739
2,837
2,939
3,118*
3,811*
Tsay
4,903*
20,150**
13,140**
8,951**
6,454**
5,156**
4,582**
3,948**
3,431**
3,154**
2,847**
2,449**
White
-0,050**
-0,037**
-0,039**
-0,030**
-0,024**
-0,024**
-0,022**
-0,023**
-0,028**
-0,032**
-0,035**
-0,046**
Cuadro 2
Parmetros del modelo de redes neuronales
Parmetro
Valor
Error estndar
1,1
1,12
0,07
*,1
-121,25
95,61
1
53,00
7,99
*
107,97
88,54
AIC = 5,508; HQC = 5,535; SC = 5,574.
Estadstico T
15,83
-1,27
6,63
1,22
330
MODELADO DEL NDICE DE TIPO DE CAMBIO REAL COLOMBIANO USANDO REDES NEURONALES ARTIFICIALES
Grfico 4
Prediccin un mes adelante usando un perceptrn multicapa con H = 1
Grfico 5
Propiedades estadsticas de los residuales del modelo
331
Cuadro 3
Estadsticos del ajuste del modelo a la serie
Estadstico
Error cuadrtico medio
Error medio absoluto
Raz del error cuadrtico geomtrico
U-Theil
R2
MLP (H = 1)
13,890
2,119
1,336
0,972
0,938
AR (1)
14,500
2,091
1,219
0,994
0,937
Grfico 6
Pronstico determinstico
332
MODELADO DEL NDICE DE TIPO DE CAMBIO REAL COLOMBIANO USANDO REDES NEURONALES ARTIFICIALES
Cuadro 4
Momentos y valores mximo y mnimo para el ITCRFMI
y los modelos considerados
Estadstico
Mximo
Mnimo
Media
Varianza
Curtosis
Asimetra
ITCRFMI
144,210
79,390
107,970
230,700
0,153
2,428
MLP(H=1)
154,830
41,900
115,750
254,430
-0,678
2,431
AR(1)
186,580
33,210
111,410
389,620
-0,028
3,217
Nota: los valores para los modelos fueron calculados realizando una simulacin de 10.000 datos
usando bootstrapping.
Fuente: elaboracin propia.
Conclusiones
Tanto el modelado como el pronstico de
variables econmicas y financieras son importantes problemas que han recibido mucha atencin tanto de profesionales como
de investigadores durante las ltimas dcadas; consecuentemente, se han dedicado
muchos esfuerzos para desarrollar metodologas que buscan superar las falencias y
limitantes tericas, conceptuales y prcticas que se presentan cuando cada serie particular es analizada a la luz de los modelos
tradicionales. En este mismo sentido, resulta importante analizar la capacidad de modelado y prediccin desde cada modelo y
cada serie disponible en particular, esto es,
determinar para cada serie cul o cules son
los modelos que mejor representan sus caractersticas, y para cada modelo, establecer cules son las caractersticas de las series
que representa mejor.
333
En este estudio se realiza una primera contribucin en esta direccin, ya que se analiza la serie del ITCRFMI con una red
neuronal del tipo perceptrn multicapa, cuya
especificacin y aceptacin est basada en
criterios estadsticos, y se compara con un
modelo autorregresivo que usa las mismas
entradas. Los principales resultados obtenidos estn relacionados con los siguientes
aspectos: se demuestra a partir de criterios
estadsticos que la serie sigue una dinmica
no lineal; la red neuronal desarrollada captura las relaciones determinsticas de orden
no lineal entre el valor actual de la ITCRFMI
y el valor del mes anterior, de tal forma que
los residuales obtenidos son menores en
magnitud en relacin con un modelo lineal
que usa los mismos regresores. Consecuentemente, el modelo desarrollado es potencialmente un mejor predictor de la serie en
comparacin con un modelo lineal.
Existen otros modelos no lineales que podran ser usados para representar la dinmica de la serie estudiada, de tal forma que en
un trabajo futuro se hace necesario comparar dichos modelos para establecer cul de
ellos representa mejor la dinmica del
ITCRFMI.
Agradecimientos
Los autores expresan sus agradecimientos
a dos evaluadores annimos, cuyos comentarios permitieron mejorar ampliamente la
calidad del artculo.
Lista de referencias
Anders, U. y Korn, O. (1999). Model selection in
neural networks. Neural Networks, 12, 309-323.
334
MODELADO DEL NDICE DE TIPO DE CAMBIO REAL COLOMBIANO USANDO REDES NEURONALES ARTIFICIALES
Echavarra, J. J y Gaviria, A. (1992). Los determinantes de la tasa de cambio y la coyuntura actual en Colombia. Coyuntura Econmica, XXII,
4, 101-111.
Faraway, J. y Chatfield, C. (1998). Time series forecasting with neural networks: a comparative
study using the airline data. Journal of Applied
Statistics (47), 231-250.
Fukumizu, K. (2003). Likelihood ratio of unidentifiable models and multilayer neural networks.
Annals of Statistics, 31 (3), 833-851.
Funahashi, K. (1989). On the approximate realization of continuous mappings by neural networks.
Neural Neworks, 2, 183-192.
Granger, C. y Tersvirta, T. (1993). Modeling nonlinear economic relationships. Oxford: Oxford
University Press.
Gmez, J. (1999). A model of the nominal and real
exchange rates in Colombia. Serie Borradores de
Economa (129). Bogot: Banco de la Repblica.
Heravi, S., Osborn, D. y Birchenhall, C. (2004).
Linear versus neural network forecasts for
european industrial production series. International Journal of Forecasting (20), 435-446.
Hornik, K., Stinchcombe, M. y White, H. (1989).
Multilayer feedforward networks are universal
approximators. Neural Networks, 2, 359-366.
Ince, H. y Trafalis, T. B. (2006). A hybrid model for
exchange rate prediction. Decision Support Systems, 42(2), 1054-1062.
335
336