IDEAS home Printed from https://ideas.repec.org/a/msn/rijrnl/v7y2022i2p17-37.html
   My bibliography  Save this article

Pronóstico del tipo de cambio empleando algoritmos de aprendizaje profundo: el caso del dólar de Estados Unidos (USD) respecto al peso mexicano (MXN)

Author

Listed:
  • Alfredo Yasberth Pérez-Frías

    (Instituto Politécnico Nacional)

  • Ana Lorena Jiménez-Preciado

    (Instituto Politécnico Nacional)

  • Salvador Cruz-Aké

    (Instituto Politécnico Nacional)

Abstract

Se presenta un análisis del pronóstico el tipo de cambio peso mexicano/dólar estadounidense (MXN/USD) utilizando datos diarios. Desarrollamos tres modelos para el pronóstico: 1) Redes Neuronales Recurrentes con Memoria a Largo Corto Plazo (LSTM), correspondiente a una especificación de aprendizaje profundo, 2) un algoritmo Random Forest (RF) (aprendizaje automático), y 3) un Modelo Autoregresivo de media móvil integrada (ARIMA) como referencia. La principal contribución de este trabajo es mostrar que una Red Neuronal Recurrente del tipo LSTM predice con un mínimo margen de error el tipo de cambio MXN/USD incluso bajo alta volatilidad (incluyendo efectos del COVID-19). Estos resultados permiten a los agentes económicos, que quieren arbitrar y cubrir, tener un método de selección más robusto y con mayor poder predictivo.

Suggested Citation

  • Alfredo Yasberth Pérez-Frías & Ana Lorena Jiménez-Preciado & Salvador Cruz-Aké, 2022. "Pronóstico del tipo de cambio empleando algoritmos de aprendizaje profundo: el caso del dólar de Estados Unidos (USD) respecto al peso mexicano (MXN)," Revista de Investigación en Ciencias Contables y Administrativas, Universidad Michoacana de San Nicolás de Hidalgo, Facultad de Contaduría y Ciencias Administrativas, vol. 7(2), pages 17-37, July.
    • Handle: RePEc:msn:rijrnl:v:7:y:2022:i:2:p:17-37
    as

    Download full text from publisher

    File URL: https://ricca.umich.mx/index.php/ricca/article/view/87/93
    Download Restriction: no
    ---><---

    Corrections

    All material on this site has been provided by the respective publishers and authors. You can help correct errors and omissions. When requesting a correction, please mention this item's handle: RePEc:msn:rijrnl:v:7:y:2022:i:2:p:17-37. See general information about how to correct material in RePEc.

    If you have authored this item and are not yet registered with RePEc, we encourage you to do it here. This allows to link your profile to this item. It also allows you to accept potential citations to this item that we are uncertain about.

    We have no bibliographic references for this item. You can help adding them by using this form .

    If you know of missing items citing this one, you can help us creating those links by adding the relevant references in the same way as above, for each refering item. If you are a registered author of this item, you may also want to check the "citations" tab in your RePEc Author Service profile, as there may be some citations waiting for confirmation.

    For technical questions regarding this item, or to correct its authors, title, abstract, bibliographic or download information, contact: the person in charge (email available below). General contact details of provider: https://edirc.repec.org/data/famicmx.html .

    Please note that corrections may take a couple of weeks to filter through the various RePEc services.

    IDEAS is a RePEc service. RePEc uses bibliographic data supplied by the respective publishers.