Resumen:
La necesidad de tener conocimiento sobre situaciones futuras y predecir otras nos lleva al
desarrollo de pronósticos que, por lo general, son puramente numéricos sobre un contexto que es
difícil cuantificar, como es el caso de la situación económica de un país considerando, por ejemplo
el producto interno bruto (PIB) o el tipo de cambio de la moneda nacional respecto a una divisa
extranjera.
Los modelos econométricos como los ARIMA (p,d,q), de los que hacemos uso para generar
un pronóstico, dan una representación matemática de una serie temporal que permite capturar las
características del fenómeno real a partir de la información contenida en los datos, sin embargo,
esta es su debilidad, dado que se basa únicamente en los datos de entrada y éstos son susceptibles
a condiciones ajenas al fenómeno de estudio y que en casos son difíciles de cuantificar, por lo que
su pronóstico suele ser distinto al compararlos con la realidad.
Existen modelos y herramientas más robustas que el mencionado anteriormente, tal es el caso
de las redes neuronales artificiales, que ofrecen un pronóstico que se aproxima más al valor real,
sin embargo, por su robustez no resulta sencillo emplearlos. Partiendo de la idea de un proceso
sencillo se toma el modelo ARIMA(1,1,1) que se aplica al tipo de cambio peso-dólar en el periodo
2016-2017, visto mediante ventanas temporales deslizantes, para hacer una filtración del modelo
en el valor de los parámetros a través del tiempo, maximizando los aciertos.