Análisis predictivo para los saldos de depósitos de la caja municipal de Sullana periodo Dic. 2015 – May. 2024: un enfoque de series temporales utilizando modelos arima (x) y sarima (x).

• Autor: Ormeño Venegas, Carlos Abel
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Inca Garcilaso de la Vega
• Repositorio: UIGV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uigv.edu.pe:20.500.11818/9345
• Enlace del recurso: https://hdl.handle.net/20.500.11818/9345
• Nivel de acceso: acceso embargado
• Materia: series de tiempo; depósitos; captaciones; arima; arimax; sarima; sarimax; https://purl.org/pe-repo/ocde/ford#5.02.01

La presente investigación plantea como propósito estudiar aspectos técnicos de los modelos de series temporales para generar un modelo óptimo de pronóstico en los saldos de depósitos de la Caja Municipal de Sullana (CMAC Sullana) toda vez que, en el campo de la economía, la capacidad de realizar estos pronósticos de forma eficiente tiene beneficios tanto en el interior de la empresa (ejemplo, en su planificación financiera y gestión de riesgo) así como a niveles agregados impactando en el crecimiento económico, las políticas monetarias o en general, la estabilidad financiera de un país. El presente estudio permite además, aportar un análisis contrafactual, de cómo habrían evolucionado los saldos de depósitos de la CMAC Sullana de no haber ocurrido la intervención de la Superintendencia de Banca y Seguros con el cierre de la caja en Julio 2024. Se llevó a cabo el análisis y la identificación de las variables económicas de interés, luego la recopilación y el procesamiento de datos históricos, posteriormente se evaluaron las características de las series como su tendencia, estacionariedad, estacionalidad y el cumplimiento de otros supuestos propios de la teoría de series temporales. Haciendo uso del lenguaje de programación Python, y aprovechando la potencia de los algoritmos inmersos en las distintas librerías para series temporales, se crearon algunas funciones para la selección de modelos óptimos comparando modelos AutoRegressive Integrated Moving Average (ARIMA), modelos Seasonal AutoRegressive Integrated Moving Average (SARIMA) y sus respectivas versiones utilizando incluyendo variables exógenas (ARIMAX y SARIMAX). La capacidad predictiva de los modelos fue analizada mediante el Root Mean Square Error (RMSE) y el Mean Absolute Percent Error (MAPE) y su forma simétrica (SMAPE). Los modelos óptimos fueron concluidos dependiendo del objetivo que se pueda perseguir: mayor calidad de ajuste o mayor calidad en predicción. Este estudio contribuye al conocimiento académico y práctico en el campo del pronóstico económico y financiero.