Comportamiento de la UVR en el largo plazo

• EVELYN LUCÍA TAYLOR CONTO ^[1] ; ROMARIO ADEMIR CONTO LÓPEZ ^[2]
  1. [1] Universidad Nacional de Colombia

     Universidad Nacional de Colombia

     Colombia

     
  2. [2] Instituto Tecnológico Metropolitano

     Instituto Tecnológico Metropolitano

     Colombia

     
• Localización: Rect@: Revista Electrónica de Comunicaciones y Trabajos de ASEPUMA, ISSN-e 1575-605X, Vol. 24, Nº. 1, 2023, págs. 21-34
• Idioma: español
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    En este artículo se implementan diferentes técnicas para predecir la unidad de valor real colombiana (UVR), basándose únicamente en el histórico de su comportamiento. La UVR representa el poder adquisitivo basado en la variación del índice de precios al consumidor (IPC) para el mes calendario inmediatamente anterior al calculado, además muchos créditos de vivienda están indexados a la UVR en Colombia, permitiendo que las entidades financieras conserven el poder adquisitivo del dinero prestado. Para el estudio son consideradas técnicas de pronóstico mediante modelos SARIMA, regresión lineal, suavizamiento Holt-Winters aditivo y multiplicativo, y redes neuronales artificiales. De acuerdo con el análisis, se obtiene que la mejor técnica para realizar predicciones al final del ciclo estacional es el suavizamiento Holt-Winters multiplicativo y para predecir a mitad del ciclo estacional es un modelo SARIMA (1,1,1) (0,1,1).

  • English

    In this paper, we implemented different techniques to predict the Colombian real value unit (UVR), based solely on the history of its behavior. The UVR represents the purchasing power based on the variation of the consumer price index (CPI) for the calendar month immediately before the calculated one,, in addition, many housing credits are indexed to UVR in Colombia, allowing financial institutions to preserve the purchasing power of money borrowed. For the study, forecasting techniques are considered using SARIMA models, linear regression, additive and multiplicative Holt-Winters smoothing, and artificial neural networks. According to the analysis, it is obtained that the best forecasting technique to make predictions at the end of the seasonal cycle was the multiplicative Holt-Winters smoothing and to predict in the middle of the seasonal cycle was the SARIMA (1,1,1) (0, 1,1).