“Contraste entre modelos de Redes Neuronales Artificiales, GLM y GARCH en el pronóstico y análisis del tipo de cambio mexicano: 2000-2014”

Abstract

El tipo de cambio, visto como relación proporcional entre el valor de una moneda y otra es una variable macroeconómica importante de la economía globalizada, en el caso de México la paridad más importante que existe es la del peso (MXN) con respecto al dólar americano (USD) por la estrecha relación de intercambio comercial y de inversión que existe con los Estados Unidos. La variable es comparativa, una imagen útil para los hacedores de política y tomadores de decisiones en empresas privadas; repercute en la inflación, en el poder adquisitivo, golpea seriamente al comercio en mercados que dependen de insumos importados, así como los empleos generados por él, debilita e impacta en la calidad de vida de la población y crea una imagen del país hacia el exterior ahí radica la necesidad de poder generar pronósticos eficientes y precisos de él al emplear herramientas de predicción que permitan hacer un análisis amplio del comportamiento de esta variable con fines de tomar medidas ante efectos negativos además de aprovechar los positivos cuando estos se den. 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