Browsing by Subject "Machine learning"

Now showing 1 - 6 of 6
  • Thumbnail Image
    Item
    Open Access
    Whose balance sheet is this? : neural networks for banks' pattern recognition
    (Banco de la República, 2016-09-07) León-Rincón, Carlos Eduardo; Moreno-Gutiérrez, José Fernando; Cely-Fernández, Jorge Humberto
    Documentos de Trabajo. 2016-09-07
    Borradores de Economía; No. 959
  • Thumbnail Image
    Item
    Open Access
    Clustering and forecasting inflation expectations using the World Economic Survey : the case of the 2014 oil price shock on inflation targeting countries
    (Banco de la República, 2017-05-04) Zárate-Solano, Héctor Manuel; Zapata-Sanabria, Daniel R.
    Documentos de Trabajo. 2017-05-04
    Borradores de Economía; No. 993
  • Thumbnail Image
    Item
    Open Access
    Banks in Colombia : How homogeneous are they?
    (Banco de la República, 2017-10-13) León-Rincón, Carlos Eduardo
    Documentos de trabajo. 2017-10-13
    Borradores de Economía; No. 1022
  • Thumbnail Image
    Item
    Open Access
    Nowcasting economic activity with electronic payments data: A predictive modeling approach
    (Banco de la República, 2018-02-12) León-Rincón, Carlos Eduardo; Ortega-Castro, Fabio Gonzalo
    Documentos de Trabajo. 2018-02-12
    Borradores de Economía; No. 1037
  • Thumbnail Image
    Item
    Open Access
    Pattern recognition of financial institutions’ payment behavior
    (Banco de la República) León-Rincón, Carlos Eduardo; Barucca, Paolo; Oscar, Acero; Gerardo, Gage; Ortega-Castro, Fabio Gonzalo
    Presentamos una metodología general de aprendizaje automático supervisado para representar el comportamiento de pago de las instituciones financieras a partir de una base de datos de transacciones del sistema de pagos de alto valor de Colombia. La metodología utiliza una red neuronal artificial para representar los patrones de pago de instituciones financieras a través de 113 características que corresponden a su contribución a los pagos, hábitos de fondeo, momento de pagos, concentración de pagos, centralidad en la red de pagos, e impacto sistémico debido a la imposibilidad de pagar. Esta representación es utilizada para probar la coherencia de los patrones de pago fuera de muestra de una institución financiera con sus patrones de pago característicos. El desempeño del modelo es notable, con un error de clasificación fuera de muestra cercano a tres por ciento. El desempeño es robusto a reducciones en el número de características con base en la selección no supervisada de características. También se comprueba que la centralidad en la red de pagos y el impacto sistémico son características que efectivamente mejoran el desempeño de la metodología. Para las autoridades financieras este es un primer paso hacia la detección automatizada de anomalías en el comportamiento de las instituciones financieras como participantes en sistemas de pago.
    Documentos de Trabajo. 2020-09-08
    Borradores de Economía; No.1130
  • Thumbnail Image
    Item
    Open Access
    Enhancing inflation nowcasting with online search data: a random forest application for Colombia
    (Banco de la República ) Roldán-Ferrín, Felipe; Parra-Polanía, Julián Andrés
    Este artículo evalúa la capacidad predictiva de un modelo de aprendizaje automático basado en Random Forest (RF), combinado con datos de Google Trends (GT), para realizar nowcasting de la inflación mensual en Colombia. El modelo propuesto, denominado RF-GT, se entrena utilizando datos históricos de inflación, indicadores macroeconómicos y actividad de búsqueda en internet. Tras la optimización de los hiperparámetros mediante validación cruzada para series de tiempo, se evalúa su desempeño fuera de muestra durante el periodo 2023–2024. Los resultados se comparan con enfoques tradicionales, incluidos los modelos SARIMA, regresiones Ridge y Lasso, así como con los pronósticos profesionales de la Encuesta Mensual de Expectativas (EME) del Banco de la República. En términos de precisión predictiva, el modelo RF-GT supera de forma consistente a los modelos estadísticos y muestra un desempeño comparable al pronóstico mediano de los analistas, con la ventaja adicional de generar predicciones aproximadamente semana y media antes. Estos hallazgos destacan el valor práctico de integrar fuentes de datos alternativas y técnicas de aprendizaje automático en los sistemas de monitoreo de inflación de economías emergentes.
    Documentos de Trabajo. 2025-07-02
    Borradores de Economía; No.1318