Tasa de Cambio Real de equilibrio basada en Redes neuronales

La Tasa de Cambio Real de Equilibrio (ERER, por sus siglas en inglés) es una variable latente comúnmente monitoreada como posible indicador de vulnerabilidades externas, cuya estimación se puede ver afectada por las interacciones no lineales entre los fundamentales subyacentes y por la naturaleza cambiante en el tiempo de su influencia. Este trabajo propone un modelo de redes neuronales (NN-ERER) basado en una arquitectura de Red Neuronal Dirigida por Ramas (BDNN, por sus siglas en inglés) que estima la ERER para Colombia separando los determinantes de largo y corto plazo de la tasa de cambio real (RER). El componente de largo plazo se construye a partir de bloques asociados a términos de intercambio, política fiscal, productividad y deuda externa, mientras que el componente de corto plazo se divide en bloques de variables con efectos positivos y negativos esperados. Las restricciones teóricas de signo se codifican en la arquitectura, restringiendo la estimación mientras se preserva la flexibilidad no lineal. Esta estructura también permite descomponer parcialmente el desalineamiento de la RER en determinantes de corto plazo y residuales no explicados. Los resultados empíricos indican que la contribución relativa de los fundamentales subyacentes a la ERER ha evolucionado en el tiempo, con los términos de intercambio y la deuda externa particularmente relevantes durante el período de altos precios de commodities a mediados de los 2000, y los factores fiscales ganando peso en el período post-COVID-19. Los desalineamientos en 2008–2009 y después de 2021 son atribuibles en gran parte a factores de corto plazo, posiblemente ligados a volatilidad global, incertidumbre, y cambios en los diferenciales de tasas de interés. *** ABSTRACT: The Equilibrium Real Exchange Rate (ERER) is a latent variable commonly monitored as a potential indicator of external vulnerabilities, yet its estimation is challenged by the non-linear interactions among the underlying fundamentals and by the time-varying nature of their influence. This paper proposes a Neural Network Equilibrium Real Exchange Rate (NN-ERER) model based on a Branch Directed Neural Network (BDNN) architecture that estimates the ERER for the Colombian peso by separating long- and short-run determinants of the real exchange rate (RER). The long-run component is constructed from blocks associated with terms of trade, fiscal policy, productivity, and external debt, while the short-run component is divided into blocks of variables with positive and negative expected effects. Theoretical sign restrictions are encoded into the architecture, constraining the estimation while preserving non-linear flexibility. This structure also allows the RER misalignment to be partially decomposed into short-term determinants and unexplained residuals. The empirical results indicate that the relative contribution of the fundamentals underlying the ERER has evolved over time, with terms of trade and external debt particularly relevant during the period of high commodity prices in the mid-2000s, and fiscal factors gaining weight in the post-COVID-19 period. Misalignments in 2008–2009 and after 2021 are largely attributable to short-run factors, plausibly linked to global volatility, uncertainty, and shifts in interest rate differentials.