Predição imediata da atividade econômica com dados de pagamentos eletrônicos. Um enfoque de modelado preditivo

DOI:  https://doi.org/10.12804/revistas.urosario.edu.co/economia/a.7205
Cover image

Barra lateral de artigos

PDF (Español (España)) PDF PDF (English) HTML (Español (España)) Lector Inteligente (Español (España)) ePub (Español (España))

Publicado: oct. 10, 2018
Edição: v. 21 n. 2 (2018): julio-diciembre
Seção Artigos


Palavras-chave: pronóstico , aprendizaje de máquina , red neuronal , pagos minoristas , Red narx. prognóstico , aprendizagem de máquina , rede neuronal , pagamentos minoristas , Rede narx. Forecasting , machine learning , neural networks , retail payments , narx.

Conteúdo do artigo principal

Autores

Carlos León
Fabio Ortega
Resumo

A predição imediata da atividade econômica (é dizer, fazer estimações do período atual), e conveniente porque a maioria das medidas tradicionais de atividade econômica realizamse com atrasos substanciais. O nosso objetivo é predizer o ise, um indicador de atividade econômica de curto prazo na Colômbia. As entradas são os atrasos do ise e um conjunto de dados de pagamentos realizados entre indivíduos, empresas e o governo central, mediante transferências eletrônicas e cheques. Sob um enfoque de modelado preditivo, empregamos um modelo de rede neuronal exógena auto regressiva não lineal. Os resultados sugerem que nossa eleição de insumos e o método preditivo, nos permitem difundir a atividade econômica com uma precisão razoável. Além disso, validamos que os dados de pagamentos eletrônicos reduzem significativamente o erro de predição em um modelo de rede neuronal auto regressiva de referência. A predição imediata da atividade econômica com dados dos instrumentos de pagamento eletrônico, não só contribui à tomada de decisões dos agentes e ao modelado econômico, senão que também suporta novas vias de pesquisa sobre como utilizar ditos dados em modelos atuais.

Biografia do Autor

Carlos León

Financial Infrastructure Oversight Department, Banco de la República; CentER, Tilburg University

Fabio Ortega

Financial Infrastructure Oversight Department, Banco de la República
Como Citar
León, C., & Ortega, F. (2018). Predição imediata da atividade econômica com dados de pagamentos eletrônicos. Um enfoque de modelado preditivo. Revista De Economía Del Rosario, 21(2), 381–407. https://doi.org/10.12804/revistas.urosario.edu.co/economia/a.7205
Referências

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.

Estatísticas de consulta

Downloads

Não há dados estatísticos.
Métricas de publicação

697 332 134 759




 

Los autores conservan los derechos de autor y garantizan a la revista el derecho de ser la primera publicación del trabajo al igual que licenciado bajo una Creative Commons Attribution License que permite a otros compartir el trabajo con un reconocimiento de la autoría del trabajo y la publicación inicial en esta revista.

Artigos Semelhantes

1 2 > >> 

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.