CONTRASTE ENTRE MODELOS DE REDES NEURONALES ARTIFICIALES, GLM Y GARCH EN EL PRONOSTICO Y ANALISIS DEL TIPO DE CAMBIO MEXICANO: 2000-2014.

Abstract

En el análisis y pronóstico del tipo de cambio existen estudios basados en técnicas de series de tiempo junto a modelos paramétricos tales como: regresiones, modelos multivariados y de panel pero muy pocos se aventuran en el terreno no para-métrico como el de la inteligencia artificial específicamente las redes neuronales artificiales (RNA) las cuales tienen ventajas como: aprendizaje, auto organización, tolerancia a fallos, flexibilidad y por ello es posible crear una herramienta basada en RNA con mayor certidumbre a los métodos tradicionales, con ellas, se pueden observar los periodos con mayores fluctuaciones así como los componentes que determinan el comportamiento del tipo de cambio

8 Se construyeron 5 modelos en total, 3 de Redes Neuronales Artificiales (RNA), un modelo lineal (GLM) y uno de tipo GARCH donde los modelos basados en inteligencia artificial permitieron una mayor certidumbre de predicción con los datos disponibles y publicados únicamente por el Instituto Nacional de Estadística y Geografía (INEGI) en un periodo de análisis de 2000 a 2014, datos libres y homólogos en metodología para su consulta, así como se destaca el uso dado al software libre especializado.