Browsing by Subject "Machine learning"
Now showing 1 - 5 of 5
Results Per Page
Sort Options
Item Open AccessWhose 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, JorgeDocumentos de Trabajo. 2016-09-07Borradores de Economía; No. 959Item Open AccessClustering 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 de Colombia, 2017-05-04) Zárate-Solano, Hector Manuel; Zapata-Sanabria, Daniel R.Documentos de Trabajo. 2017-05-04Borradores de Economía; No. 993Item Open AccessBanks in Colombia : How homogeneous are they?(Banco de la República de Colombia, 2017-10-13) León-Rincón, Carlos EduardoDocumentos de trabajo. 2017-10-13Borradores de Economía; No. 1022Item Open AccessNowcasting economic activity with electronic payments data: A predictive modeling approach(Banco de la República de Colombia, 2018-02-12) León-Rincón, Carlos Eduardo; Ortega-Castro, Fabio GonzaloDocumentos de Trabajo. 2018-02-12Borradores de Economía; No. 1037Item Open AccessPattern recognition of financial institutions’ payment behavior(Banco de la República de Colombia) León-Rincón, Carlos Eduardo; Barucca, Paolo; Oscar, Acero; Gerardo, Gage; Ortega, FabioPresentamos 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. 2020-09-08Borradores de Economía; No.1130