Proyección de la Tasa Básica Pasiva de Costa Rica

Abstract

La Tasa Básica Pasiva (TBP) es un elemento fundamental del mercado financiero que permite tanto a las entidades financieras como a los agentes demandantes saber las condiciones propias del mercado en determinado periodo. El presente trabajo pretende proyectar la TBP para conocer el movimiento de esta en el mercado financiero. A partir del periodo de la serie al cierre mensual de enero 2009 a febrero 2018, se aplican tanto técnicas paramétricas (Box-Jenkins) como no paramétricas (Redes Neuronales) con el fin de encontrar el mejor modelo de predicción para los 24 meses posteriores. En los resultados, al analizar la serie a partir de identificación y técnicas de bondad de ajuste para varios modelos ARIMA, se encuentra que, con una transformación logística con diferenciación de segundo orden, el mejor modelo es un ARIMA (0,1, 0)(1,0,0)[12], donde además se cumplen todos los supuestos del modelo. Al comparar los dos métodos de estimación, para las Redes Neuronales las medidas de desempeño predictivas son muy cercanas a las obtenidas por el modelo ARIMA, sin embargo, gráficamente se observa la deficiencia en la conducta predictiva del modelo no-paramétrico; de igual manera comparando los datos obtenidos y sus intervalos de confianza, se le atribuye una mejor adecuación de proyección al enfoque paramétrico para la TBP. La proyección de la TBP deja ver que en los próximos dos años el mercado financiero presentará un decrecimiento en las tasas de interés de inversión (ahorro) y crédito en colones que tengan la Tasa Básica Pasiva como referencia.

El presente trabajo pretende proyectar la Tasa Básica Pasiva para conocer el comportamiento de esta en el mercado financiero. A partir del periodo de la serie al cierre mensual de enero 2009 a febrero 2018 se aplican análisis de series de tiempo, desde un enfoque econométrico con técnicas como el filtro de Hodrick-Prescott junto ARIMA, Redes Neuronales y la función de regresión con series de tiempo, además de la aplicación de Vectores Autorregresivos que incluye otras variables económicas como la Inflación, el Ahorro, los Ingresos, el Indicador de Actividad Económica, la tasa Libor, la tasa promedio de los Bonos del Tesoro de Estados Unidos y la tasa de Fondos Federales de los Estados Unidos para este estudio en particular, con el fin de encontrar el mejor modelo de predicción para los 24 meses posteriores. En los resultados, se comparan las proyecciones obtenidas con cada uno de los métodos de estimación y los observados hasta junio 2019, así como las técnicas de bondad de ajuste, donde ARIMA presenta los valores más cercanos a los observados con una proyección con una leve alza para los meses posteriores, seguido de Vectores Autorregresivos y Redes Neuronales que inician con valores cercanos a los observados, sin embargo la primera se mantiene constante en el tiempo, mientras que las Redes Neuronales decrecen significativamente para luego mantenerse constante. Por otra parte, la regresión con series de tiempo genera un resultado que dista de los observados con una tendencia decreciente en todo el periodo. Los intervalos de confianza son constantes con todas las estimaciones, excepto el ARIMA que tiende a ampliarse con el avance del tiempo desde el inicio. Los estadísticos de Bondad de Ajuste indican un ajuste más favorable para Redes Neuronales seguido por el ARIMA al considerar el error porcentual absoluto medio, mientras que la regresión es la más deficiente. Al comparar los resultados obtenidos con todos los métodos de estimación, la proyección obtenida del ARIMA con el filtro de Hodrick-Prescott parece ser la más efectiva, ya que detecta las fluctuaciones de la serie que contempla los efectos de una Reforma Fiscal activa, lo que implica que se pronostica un crecimiento de la TBP en los próximos meses.