Predicción multivariable del tipo de cambio USD/PEN mediante modelos de machine learning, deep learning y fundacionales

• Autores: Palma Arzubialde, Carlos, Salazar Sedano, Jesús Gabriel
• Formato: tesis de maestría
• Fecha de Publicación: 2025
• Institución: Universidad de Ingeniería y tecnología
• Repositorio: UTEC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utec.edu.pe:20.500.12815/532
• Enlace del recurso: https://hdl.handle.net/20.500.12815/532
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje automático; Tipos de cambio de divisas; Aprendizaje profundo; Análisis de series temporales; Pronóstico; Machine learning; Foreign exchange rates; Deep learning; Time Series analysis; Forecasting; https://purl.org/pe-repo/ocde/ford#1.02.02

La predicción del tipo de cambio constituye un problema fundamental para la gestión de riesgos financieros y la formulación de política monetaria en economías abiertas. En el caso peruano, el tipo de cambio USD/PEN representa una variable de alta sensibilidad debido a la dolarización parcial del sistema financiero y la dependencia de exportaciones primarias. El objetivo de esta investigación fue diseñar, implementar y evaluar un ensemble heterogéneo de modelos de machine learning para la predicción one-step-ahead del tipo de cambio USD/PEN. La metodología integró siete modelos de cuatro familias arquitectónicas: ARX, CatBoost, LSTM, NBEATSx, TiDE y dos modelos fundacionales preentrenados (TimesFM, MOIRAI). El diseño experimental incorporó un protocolo anti-leakage mediante rezagos temporales, rolling forecast sobre un holdout de 60 días, y cinco estrategias de ensemble. El dataset comprendió 8,201 observaciones diarias del período 1994-2025 con 13 variables exógenas. Los resultados demostraron que cinco modelos superaron consistentemente al benchmark naive, con errores absolutos escalados entre 0.9083 y 0.9699. TimesFM alcanzó el mejor desempeño en error (0.9083), mientras CatBoost logró la mayor precisión direccional (60Los hallazgos permiten concluir que es viable superar el benchmark de caminata aleatoria mediante machine learning, refutando la versión fuerte de la hipótesis de mercados eficientes para este par de divisas. La disociación entre métricas de error y direccionalidad tiene implicaciones prácticas: TimesFM resulta preferible para cobertura cambiaria, mientras CatBoost ofrece ventajas para trading direccional.