Pronóstico de la tasa de cambio en Colombia (TRM) utilizando los modelos ARIMA-GARCH durante el período 1992-2025
DOI:
https://doi.org/10.17561/ree.n1.2026.9661Palabras clave:
ARIMA , GARCH, dólar, pronóstico, econometria, macroeconomiaResumen
Los pronósticos de variables económicas como la tasa de cambio o inflación son un instrumento esencial para las autoridades económicas, ya que basados en las expectativas de los analistas del mercado se toman decisiones que tienen efecto sobre la sociedad. Esta investigación presenta como objetivo determinar un modelo econométrico que sea útil para pronosticar la tasa de cambio del peso colombiano frente al dólar estadounidense USD/COP (TRM). Por esta razón se realizó un estudio cuantitativo mediante la aplicación de los principios ARIMA-GARCH usando como serie de tiempo datos diarios de la Tasa Representativa del Mercado (TRM) entre 1992 y 2022. Los resultados sugieren que el modelo calculado logró filtrar adecuadamente la información contenida en los rezagos mediante la prueba del Q-Stat sin problemas de autocorrelación simples al 5% de significancia estadística, lo que permitió establecer que los parámetros estimados para pronosticar la TRM son significativos. Por lo anterior, se concluye que el modelo tiene buena capacidad predictiva para el peso colombiano frente al dólar estadounidense en el corto plazo.
Descargas
Referencias
Arce, P., Antognini, J., Poller, W. K., & Salinas, L. (2019). Modelo basado en cointegración rápido y adaptativo para pronosticar series temporales financieras de alta frecuencia. Computación Económica, 54, 99–112. https://doi.org/10.1007/s10614-017-9691-7
Ayala, R. F., & Bucio, C. (2020). Modelo ARIMA aplicado al tipo de cambio peso-dólar en el periodo 2016-2017 mediante ventanas temporales deslizantes. Revista mexicana de economía y finanzas, 15(3), 331–354. https://doi.org/10.21919/remef.v15i3.466
Baghestani, H. (1992). On the formation of expected inflation under various conditions?: Some survey evidence. The Journal of Business, 65(2), 281–293. https://www.jstor.org/stable/2353166
Box, G. E. P., & Jenkins, G. M. (1989). Time series analysis: Forecasting and control (1970). https://onlinelibrary.wiley.com/doi/10.1111/jtsa.12194?utm_source=researchgate
Cao, X., & Zhao, Z. (2022). Research on stock index forecasting based on ARIMA-GARCH and SVM mixed model. Highlights in Science, Engineering and Technology, 1, 40–46. https://doi.org/10.54097/hset.v4i.843
Clauson, A. L. (1997). Forecasting retail food prices under current conditions. American Journal of Agricultural Economics, 79(5), 1669–1672. https://doi.org/10.2307/1244400
Clavijo, S. (2001). El régimen de flotación cambiaria en Colombia. (Vol. 7, Issue 2). https://www.banrep.gov.co/es/el-regimen-flotacion-cambiaria-colombia
Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Hillsdale, NJ: Lawrence Erlbaum Associates, Publishers. ISBN 9780805802832.
Dagum, E. B., & Morry, M. (1984). Basic issues on the seasonal adjustment of the canadian consumer price index. Journal of Business & Economic Statistics, 2(3), 250–259. https://doi.org/10.1080/07350015.1984.10509392
Dritsaki, C. (2018). The performance of hybrid ARIMA-GARCH modeling and forecasting oil price. International Journal of Energy Economics and Policy, 8(3), 14–21. https://www.econjournals.com/index.php/ijeep/article/view/6437
Dyhrberg, A. H. (2015). Bitcoin, gold and the dollar - a GARCH volatility analysis. University College Dublin. School of Economics. http://hdl.handle.net/10197/7168
Gao, J. (2021). Research on stock price forecast based on ARIMA-GARCH model. E3S Web of Conferences, 292, 02030. https://doi.org/10.1051/e3sconf/202129202030
Ghani, I. M., & Rahim, H. A. (2019). Modeling and forecasting of volatility using ARMA-GARCH: Case study on Malaysia natural rubber prices. IOP Conference Series: Materials Science and Engineering, 548(1). https://doi.org/10.1088/1757-899X/548/1/012023
Granger, P. N., & Jenkins, C. W. (1974). Experience with forecasting univariate time series and the combination of forecasts. Journal of the Royal Statistical Society, 137(2), 131–165. http://www.jstor.com/stable/2344546
Guo, W., Liu, Q., Luo, Z., & Tse, Y. (2022). Forecasts for international financial series with VMD algorithms. Journal of Asian Economics, 82. https://doi.org/10.1016/j.asieco.2022.101458
Jain, R. K. (1989). The seasonal adjustment procedures for the consumer price indexes: Some empirical results. Journal of Business & Economic Statistics, 7(4), 461–469. https://doi.org/10.1080/07350015.1989.10509758
Kang, H. (1986). Univariate ARIMA forecasts of defined variables. Journal of Business & Economic Statistics, 4(1), 81–86. https://doi.org/10.2307/1391389
Kučera, J., Kalinová, E., & Divoká, L. (2022). Profitability of current investments in stock indexes. Entrepreneurship and Sustainability Issues, 10(1), 420–434. https://doi.org/10.9770/jesi.2022.10.1(23)
Kumari, S., & Gupta, J. (2022). Forecasting SGD-INR exchange return: An application of autoregressive integrated moving average. ANUSANDHAN - NDIM's Journal of Business and Management Research, 4(1), 16–22. https://doi.org/10.56411/anusandhan.2022.v4i1.16-22
Lee, T., Wang, H., Xi, Z., & Zhang, R. (2023). Density forecast of financial returns using decomposition and maximum entropy. Diario de Métodos Econométricos, 12(1), 57–83. https://doi.org/10.1515/jem-2020-0014
Lewis-Beck, M., Bryman, A., & Futing Liao, T. (2012). Box-Jenkins modeling. The SAGE Encyclopedia of Social Science Research Methods, 1–2. https://doi.org/10.4135/9781412950589.n80
Li, Z., Han, J., & Song, Y. (2020). On the forecasting of high-frequency financial time series based on ARIMA model improved by deep learning. Journal of Forecasting, 39(7), 1081–1097. https://doi.org/10.1002/for.2677
Madrid, C., Pellegrini, S., Ruiz, E., & Espasa, A. (2007). The relationship between ARIMA-GARCH and unobserved component models with GARCH disturbances. (Working Paper). https://ideas.repec.org/p/cte/wsrepe/ws072706.html
Najamudin, M., & Fátima, S. (2022). Hybrid BRNN-ARIMA model for financial time series forecasting. Sukkur IBA Journal of Computing and Mathematical Sciences, 6(1), 62–71. https://doi.org/10.30537/sjcms.v6i1.1027
Pahlavani, M., & Reza, R. (2015). The comparison among ARIMA and hybrid ARIMA-GARCH models in forecasting the exchange rate of Iran. International Journal of Business and Development Studies, 7(1), 31–50. https://ijbds.usb.ac.ir/article_2198.html
Peng, Z., Khan, F. U., Khan, F., Shaikh, P. A., Yonghong, D., Ullah, I., & Ullah, F. (2020). An application of hybrid models for weekly stock market index prediction: Empirical evidence from SAARC countries. Complexity in Financial Markets. https://doi.org/10.1155/2021/5663302
Pinčák, R., & Bartoš, E. (2015). With string model to time series forecasting. Physica A: Statistical Mechanics and its Applications, 436, 135–146. https://doi.org/10.1016/j.physa.2015.05.013
Shen, W., Guo, X., Wu, C., & Wu, D. (2011). Forecasting stock indices using radial basis function neural networks optimized by artificial fish swarm algorithm. Knowledge-Based Systems, 24(3), 378–385. https://doi.org/10.1016/j.knosys.2010.11.001
Sirisha, U. M., Belavagi, M. C., & Attigeri, G. (2022). Profit prediction using ARIMA, SARIMA and LSTM models in time series forecasting: A comparison. IEEE Access, 10, 124715–124727. https://doi.org/10.1109/ACCESS.2022.3224938
Staffini, A. (2022). Stock price forecasting by a deep convolutional generative adversarial network. Frontiers in Artificial Intelligence, 5, 1–16. https://doi.org/10.3389/frai.2022.837596
Thomakos, D. D., & Bhattacharya, P. S. (2005). Forecasting Inflation, Industrial Output and Exchange Rates: A Template Study for India. Indian Economic Review, 40(2), 145–165. http://www.jstor.org/stable/29793841
Torres, L. E. (2014). Contraste entre modelos de Redes Neuronales Artificiales, GLM y GARCH en el pronóstico y análisis del tipo de cambio mexicano: 2000-2014. [Tesis de maestría, Repositorio Institucional Universidad Autónoma del Estado de México]. http://hdl.handle.net/20.500.11799/67002
Urrutia, M., & Llano, J. (2011). La crisis internacional y cambiaria de fin de siglo en Colombia. Desarrollo y Sociedad, 67, 11–48. https://doi.org/10.13043/dys.67.1
Vizek, M., & Broz, T. (2009). Modeling inflation in Croatia. Emerging Markets Finance and Trade, 45(6), 87–98. https://doi.org/10.2753/REE1540-496X450606
Wang, F., Li, M., Mei, Y., & Li, W. (2020). Time series data mining: A case study with big data analytics approach. IEEE Access, 8, 1–7. https://doi.org/10.1109/ACCESS.2020.2966553
Wang, Y., & Guo, Y. (2020). Forecasting method of stock market volatility in time series data based on mixed model of ARIMA and XGBoost. China Communications, 17(3), 205–221. https://doi.org/10.23919/JCC.2020.03.017
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Edgar Ricardo Jiménez-M´éndez, Nicolas Aguilera-Peña, Raúl Alberto Cortés-Villafradez
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
La Revista de Estudios Empresariales. Segunda Época, utiliza PKP Preservation Network (PN).
