Pronóstico de las tasas de interés de colocación de los establecimientos de créditos en Colombia
Archivos
Fecha
Autores
Director de tesis/Asesor
Título de la revista
ISSN de la revista
Título del volumen
Publicador
Editor
Compartir
Resumen
La tasa de interés de los créditos es crucial para las decisiones financieras personales y corporativas. Anticipar y pronosticar los movimientos de las tasas de interés es valioso tanto para los consumidores como para las entidades crediticias. Aprovechando la modernización de la Superfinanciera en la publicación de informes regulatorios relacionados con las tasas de crédito, el objetivo general de este proyecto es diseñar una herramienta basada en ciencia de datos para pronosticar el impacto en las tasas de interés de colocación de las entidades crediticias en Colombia, con base en el comportamiento de variables macroeconómicas relevantes como la tasa de intervención del Banco de la República, el IPC, el IBR y la tasa de fondos federales, entre otras. Debido al volumen de información, será necesario construir un datamart para posteriormente realizar un análisis exploratorio de datos (EDA), entrenar modelos de series de tiempo VaR y evaluar las mejores variables y el mejor modelo de predicción con sus respectivos hiperparámetros.
Abstract
The interest rate of credits is crucial for personal and corporate financial decisions. Anticipating and forecasting interest rate movements is valuable for both consumers and credit institutions. Taking advantage of the Superfinanciera's modernization in publishing regulatory reports related to credit rates, the general objective of this project is to design a data science-based tool to forecast the impact on placement interest rates of credit institutions in Colombia, based on the behavior of relevant macroeconomic variables such as the Banco de la República's intervention rate, IPC, IBR, Federal Funds Rate, among others. Due to the volume of information, it will be necessary to build a datamart, to later perform an exploratory data analysis (EDA), train VaR time series models, and evaluate both the best variables and the best prediction model with their respective hyperparameters.

