Pronóstico de la curva de rendimientos de bonos del tesoro chileno con machine learning

Abstract

Un pronóstico fiel de la estructura de tasas es fundamental para instituciones financieras que manejen activos de deuda y, con ello, estrategias de inversión. Este estudio evalúa la eficacia de modelos de Machine Learning frente a la econometría tradicional para predecir la curva de rendimiento de los Bonos del Tesoro en Chile (BTU). Se contrasta la precisión del modelo clásico Nelson-Siegel contra algoritmos de Random Forest y una arquitectura híbrida de aprendizaje profundo (LASSO-SMLR-PCA-LSTM), incorporando variables macroeconómicas clave, como el precio del cobre y las tasas del Tesoro de EE.UU. La metodología basada en ventanas móviles reveló la superioridad de la Inteligencia Artificial sobre los métodos paramétricos, con una mejor adaptación a entornos volátiles.