Aplicación de modelos de Deep Learning y Machine Learning para el pronóstico de la serie de tiempo del par de divisas Euro - Dólar

Abstract

RESUMEN : Los países con grandes economías representan su poder en la fuerza de las monedas que emiten y que son usadas para el intercambio de bienes y servicios en el contexto nacional e internacional. Es así como el dólar estadounidense se ubica en el primer lugar como la moneda con mayor demanda a nivel mundial para las transacciones internacionales y la tasa de cambio representativa en general para las economías emergentes de América latina. Ahora bien, a pesar de la dominancia en el mercado por parte del dólar estadounidense, existen en el mundo monedas con alto poder adquisitivo como el Euro, el Yuan chino, la libra esterlina, que también son usadas en el mercado de intercambio de bienes y servicios.

La confluencia de diversas monedas en el mercado da lugar a la aparición de un nuevo actor, el mercado internacional de divisas Forex, cuya función general es la estimación comparativa de la dominancia de una moneda frente a otra. El mercado se desarrolla bajo una idea fundamental, realizar operaciones de intercambio de monedas que fluctúan en el tiempo para obtener ganancias, a esto se denomina trading. En este punto es necesario resaltar que, este mercado de divisas movía para 2019 diariamente cerca de seis trillones de dólares, según datos de [1] y su operación se extiende sobre todo el planeta.

La posibilidad de realizar operaciones de intercambio de monedas se ha expandido ampliamente, y hoy, cualquier persona con acceso a internet puede realizar estas operaciones de trading basados en análisis gráfico o fundamental y múltiples índices, con lo cual buscan generar ganancias a partir de la puesta en riesgo de determinado capital.

En relación con los aspectos técnicos económicos, la dominancia de una moneda frente a sus pares, se define por decisiones y características macroeconómicas inherentes de la economía, que finalmente quedan sintetizadas en las tasas de intercambio de las monedas analizadas. Por tal motivo, es un asunto de especial interés para los gobiernos, compañías de operación nacional y/o internacional, grandes y pequeños inversores, conocer de antemano el comportamiento de las monedas de intercambio.

Aunque, la cotización del euro frente al dólar es un tema transversal a la economía mundial y su comprensión involucra múltiples aspectos macroeconómicos como los cambios en la política económica, desastres naturales e incluso terrorismo, este trabajo está enfocado únicamente en el desarrollo de modelos basados en aprendizaje profundo y machine learning para el pronóstico de la tasa cambiaria de dos de las monedas con mayor dominancia en el mercado.

Bajo este contexto, en la web dispone de información de la tasa cambiaría que puede ser obtenida a través de scraping o por medio de la descarga de información de sitios web como Investing.com. En tal sentido, se ha definido un marco temporal para el análisis comprendido entre el 03 de enero de 2005 y hasta el 31 de enero de 2022, conjunto de datos que cuenta con 4457 observaciones.

El flujo de trabajo para la implementación de modelos deep learning y machine learning está comprendido así: a partir de las 4457 observaciones se desarrolla un preprocesamiento de la información, que significa el escalamiento de los datos, luego se realiza una segmentación de los datos en subconjuntos de entrenamiento, testeo en el caso de la aplicación del modelo ARIMA y XGBOOST. En el caso de las redes neuronales recurrentes LSTM, Long Short Time Memory, se genera un subconjunto de datos adicional que opera como validación en el proceso de entrenamiento. Finalmente, a partir de las métricas consideradas a lo largo de este documento se evalúa la precisión de los pronósticos generados en cada uno de los modelos para determinar de esta forma, el más apropiado para la serie de tiempo analizada.

Una última etapa considera la predicción de los modelos en un periodo comprendido entre el primero de febrero de 2022 hasta el 28 de febrero del mismo año y comparado con los datos reales de la cotización euro - dólar, al igual que en el caso anterior, se evalúa la calidad de la predicción a partir de valor de las métricas consideradas.

Se evidencia a lo largo de este documento el desempeño de cada uno de los modelos analizados por medio de métricas en comparación con los datos reales de la cotización y gráficas que evidencian la distancia entre el pronóstico obtenido y la serie de tiempo.

Particularmente, los modelos implementados y presentados a lo largo de este documento tienen métricas de error que no exceden en ningún caso el 2%; sin embargo, estos pronósticos no recogen la volatilidad del comportamiento de la serie de tiempo y su aplicabilidad en casos reales no tiene una incidencia positiva. En contraste, las redes neuronales recurrentes LSTM aunque tienen una métrica de error superior al valor planteado, la visualización de este pronóstico evidencia particularidades que serán comentadas en la penúltima sección de este documento y que merecen por supuesto ampliar su análisis desde el enfoque de la construcción de la arquitectura de la red neuronal en futuros trabajos.