Revista de Economía del Rosario

ISSN-e: 2145-454X

ISSN: 0123-5362 

Predicción inmediata de la actividad económica con datos de pagos electrónicos. Un enfoque de modelado predictivo

Carlos León, Fabio Ortega

DOI: http://dx.doi.org/10.12804/revistas.urosario.edu.co/economia/a.7205
Enviar este artículo (Es necesario iniciar sesión)
Escanee aquí para descargar

Resumen


La predicción inmediata de la actividad económica (es decir, hacer estimaciones del período actual), es conveniente porque la mayoría de las medidas tradicionales de actividad económica se realizan con rezagos sustanciales. Nuestro objetivo es predecir el ISE, un indicador de actividad económica de corto plazo en Colombia. Las entradas son los rezagos del ISE y un conjunto de datos de pagos realizados entre individuos, empresas y el gobierno central, mediante transferencias electrónicas y cheques. Bajo un enfoque de modelado predictivo, empleamos un modelo de red neuronal exógena autoregresiva no lineal. Los resultados
sugieren que nuestra elección de insumos y el método predictivo, nos permiten difundir la actividad económica con una precisión razonable. Además, validamos que los datos de pagos electrónicos reducen significativamente el error de predicción en un modelo de red neuronal autoregresiva de referencia. La predicción inmediata de la actividad económica con datos de los instrumentos de pago electrónicos, no solo contribuye a la toma de decisiones de los agentes y al modelado económico, sino que también soporta nuevas vías de investigación sobre cómo utilizar dichos datos en modelos actuales.


Palabras clave


pronóstico, aprendizaje de máquina, red neuronal, pagos minoristas, Red narx.

Referencias


Aiken, M. (2000). Forecasting the United States gross domestic product with a neural network. Journal of International Information Management, 9(1), 67-75.

Angelini, E., Di Tollo, G., & Roli, A. (2008). A neural network approach for credit risk evaluation. The Quarterly Review of Economics and Finance, 48, 733-755. doi:10.1016/j.qref.2007.04.001

Bańbura, M., Giannone, D., Modugno, M., & Reichlin, L. (2013). Nowcasting and the real-time data flow. In G. Elliott & A. Timmermann (Eds.), Handbook of economic forecasting (pp. 195-237). Amsterdam: North Holland-Elsevier.

Banco de la República. (2017). Reporte de sistemas de pago. Colombia.

Bec, F., & Mogliani, M. (2015). Nowcasting French gdp in real-time with surveys and ‘blocked’ regressions: combining forecasts or pooling information? International Journal of Forecasting, 31, 1021-1042. doi: 10.1016/j.ijforecast.2014.11.006

Bell, V., Wah Co, L., Stone, S., & Wallis, G. (2014). Nowcasting uk gdp growth. Quarter Bulletin, Q1, Bank of England.

Bishop, C. M. (1995). Neural networks for pattern recognition. Oxford: Clarendon Press.

Bragoli, D. (2017). Now-casting the Japanese economy. International Journal of Forecasting, 33, 390-402. doi:10.1016/j.ijforecast.2016.11.004

Chakraborty, C., & Joseph, A. (2017). Machine learning at central banks. Staff Working Paper, 674, Bank of England.

Chaudhuri, T. D., & Ghosh, I. (2016). Artificial neural network and time series modeling based approach to forecasting the exchange rate in a multivariate framework. Journal of Insurance and Financial Management, 1(5), 92-123.

Choi, H., & Varian, H. (2012). Predicting the present with Google Trends. Economic Record, 88, 2-9. doi: 10.1111/j.1475-4932.2012.00809.x

Demyanyk, Y., & Hasan, I. (2009). Financial crises and bank failures: a review of prediction methods. Federal Reserve Bank of Cleveland Working Papers Series, 09-04R, September.

Departamento Administrativo Nacional de Estadística (dane). (2016). Metodología general. Indicador de seguimiento a la economía ise. Retrieved from https://www.dane.gov.co/files/investigaciones/fichas/cuentas-nacionales/DSO-CT-MET-Metodologia-General-Indicador-de-Seguimientoa-la-Economia-ISE-Agosto-2016.pdf

Departamento Administrativo Nacional de Estadística (dane). (2017). Metodología general. Cuentas trimestrales (ct) base 2005. Retrieved from http://www.dane.gov.co/files/investigaciones/fichas/Cuentas_trimestrales_b2000_marzo_17.pdf

Di Piazza, A., Di Piazza, M. C., & Vitale, G. (2016). Solar and wind forecasting by narx neural networks. Renewable Energy and Environmental Sustainability, 1(39). doi: 10.1051/rees/2016047

Evans, M. D. D. (2005). Where are we now? Real-time estimates of the macroeconomy. International Journal of Central Banking, 1(2), 127-175.

Galbraith, J. W., & Tkacz, G. (2017). Nowcasting with payments system data. International Journal of Forecasting. doi:10.1016/j.ijforecast.2016.10.002

Giannonne, D., Reichlin, L., & Small, D. (2008). Nowcasting: the real-time informational content of macroeconomic data. Journal of Monetary Economics, 55, 665-676. doi:10.1016/j.jmoneco.2008.05.010

Hagan, M. T., Demuth, H. B., Beale, M. H, & De Jesús, O. (2014). Neural network design. Martin Hagan: Oklahoma.

Han, J., & Kamber, M. (2006). Data mining: concepts and techniques. San Francisco: Morgan Kaufman Publishers.

Hastie, T., Tibshirani, R., & Friedman, J. (2013). The elements of statistical learning. New York: Springer.

Hinds, S., Rimmington, L., Dance, H., Gillham, J., Sentence, A., & Hawksworth, J. (2017). A machine learning approach to estimating current gdp growth. uk Economic Outlook, July, pwc.

Jalil, M., & Misas, M. (2006). Evaluación de pronósticos del tipo de cambio utilizando redes neuronales y funciones de pérdida asimétricas. Borradores de Economía, 376, Banco de la República.

Kohzadi, N., Boyd, M. S., Kaastra, I., Kermanshahi, B. S., & Scuse, D. (1995). Neural networks for forecasting: an introduction. Canadian Journal of Agricultural Economics, 3(43), 463-474. doi:10.1111/j.1744-7976.1995.tb00135.x

Lin, T., Horne, B. G., Tino, P., & Giles, C. L. (1996). Learning long-term dependencies in narx recurrent neural networks. ieee Transactions on Neural Networks, 7(6), 1329-1338.

Mahmoud, S., Lofti, A., & Langensiepen, C. (2013). Behavioral pattern identification and prediction in intelligent environments. Applied Soft Computing, 13, 1813-1822. doi:10.1016/j.asoc.2012.12.012

McAndrews, J. (1994). The automated clearinghouse system: moving toward electronic payment. Business Review, July/August, Federal Reserve Bank of Philadelphia, 15-23.

McLaren, N. (2011). Using internet search data as economic indicators. Quarterly Bulletin, Q2, Bank of England, 134-140.

McNelis, P. D. (2005). Neural networks in finance. Burlington: Elsevier.

Misas, M., López, E., Arango, C., & Hernández, J. N. (2003). La demanda de efectivo en Colombia: una caja negra a la luz de las redes neuronales. Borradores de Economía, 268, Banco de la República.

Mitchell, T. M. (1997). Machine learning. Boston: McGraw-Hill.

Mullainathan, S., & Spiess, J. (2017). Machine learning: an applied econometric approach. Journal of Economic Perspectives, 31(2), 87-106. doi: 10.1257/jep.31.2.87

Sarlin, P. (2014). On biologically inspired predictions of the global financial crisis. Neural Computing and Applications, 24(3), 663-673. doi: 10.1007/s00521-012-1281-y

Shmueli, G. (2010). To explain or to predict? Statistical Science, 25(3), 289-310. doi: 10.1214/10-STS330

Tiffin, A. (2016). Seeing in the dark: a machine-learning approach to nowcasting in Lebanon. imf Working Paper, WP/16/56, International Monetary Fund.

Tkacz, G., & Hu, S. (1999). Forecasting gdp growth using artificial neural networks. Bank of Canada Working Paper Series, 99-3, Bank of Canada.

Varian, H. R. (2014). Big data: new tricks for econometrics. Journal of Economic Perspectives, 28(2), 3-28. doi: 10.1257/jep.28.2.3

Witten, I. H., Frank, E., & Hall, M. A. (2011). Data mining: practical machine learning tools and techniques. Burlington: Morgan Kaufman Publishers.

Zhang, G., Hu, M. Y, Patuwo, B. E., & Indro, D. C. (1999). Artificial neural networks in bankruptcy prediction: general framework and cross-validation analysis. European Journal of Operational Research, 116, 16-32.

Zukime, M., & Junoh, M. (2004). Predicting gdp growth in Malaysia using knowledge-based economy indicators: a comparison between neural network and econometric approaches. Sunway College Journal, 1, 39-50.


El archivo PDF seleccionado se debe cargar aquí si su navegador tiene instalado un módulo de lectura de PDF (por ejemplo, una versión reciente de Adobe Acrobat Reader).

Si desea más información sobre cómo imprimir, guardar y trabajar con PDFs, Highwire Press le proporciona una guía útil de Preguntas frecuentes sobre PDFs.

Por otro lado, puede descargar el PDF directamente a su ordenador donde podrá abrirlo con un lector de PDF. Para descargar el PDF, haga clic en el enlace anterior.


Métricas