Modelos de Aprendizaje Automático para el Pronóstico de las tasas de interés de los bonos del Tesoro de los Estados Unidos en el Banco Central de Costa Rica
Na minha lista:
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Fecha de Publicación: | 2025 |
| Descrição: | Este proyecto se enfoca en el diseño e implementación de modelos predictivos basados en aprendizaje automático para estimar la curva de rendimiento de los bonos del Tesoro de los Estados Unidos, con aplicación directa en la gestión financiera del Banco Central de Costa Rica (BCCR). La investigación partió de un análisis del entorno económico global, el rol de los bancos centrales en la administración de reservas internacionales, y la necesidad de mejorar la precisión en la proyección de tasas de interés como insumo clave para la toma de decisiones estratégicas. Se identificaron oportunidades para sustituir el enfoque cualitativo actual por métodos cuantitativos que incorporen modelos científicos de predicción y permitan mejorar la objetividad, exactitud y eficiencia del proceso decisional. A partir de esto, se desarrollaron tres modelos basados en redes neuronales: RNN, LSTM y GRU. Estas arquitecturas fueron entrenadas con datos históricos de tasas de interés, indicadores técnicos y variables macroeconómicas, con el objetivo de estimar de forma precisa los rendimientos de bonos en distintos plazos. Los resultados mostraron un desempeño notable, con errores bajos y una capacidad efectiva de replicar la forma y dinámica de la curva de rendimientos observada. Además del análisis técnico, se evaluó el impacto práctico de los modelos en la gestión financiera institucional a través de dos casos prácticos uno de optimización de portafolio y otro de emisión soberana. En el caso del portafolio de inversión, el modelo optimizado superó consistentemente al índice de referencia en todos los escenarios evaluados y en el ejercicio de emisión de deuda, las proyecciones del modelo permitieron identificar ventanas de oportunidad para colocar bonos en los tramos más eficientes de la curva, logrando una reducción sistemática del costo financiero proyectado con ahorros anuales entre 2.6% y 4.4%. |
| País: | Kérwá |
| Recursos: | Universidad de Costa Rica |
| Repositorio: | Kérwá |
| Idioma: | Español |
| OAI Identifier: | oai:kerwa.ucr.ac.cr:10669/103246 |
| Acesso em linha: | https://hdl.handle.net/10669/103246 |
| Palavra-chave: | tasas de interés bonos soberanos machine learning aprendizaje profundo Redes neuronales inteligencia artificial forecasting financiero curva de rendimientos optimización de portafolio política monetaria Series de tiempo gestión de reservas internacionales banca central |