Modelos de predicción multivariable de tasas de letras y bonos del tesoro de EE.UU.: enfoque en modelo Informer

Abstract

Este trabajo analiza la predicción de tasas de interés de instrumentos financieros del Tesoro de los Estados Unidos (Treasury Bonds y Treasury Bills) utilizando modelos avanzados de aprendizaje profundo, con énfasis en el modelo Informer y sus variantes. Se estudia su capacidad para predecir series temporales largas, fundamentales en la toma de decisiones de inversión en entornos financieros complejos. Los instrumentos del Tesoro, al ser de bajo riesgo, son claves en la economía global y reflejan las expectativas del mercado. Modelos tradicionales como ARIMA y GARCH presentan limitaciones frente a la no linealidad y volatilidad de los mercados. En contraste, modelos como las redes neuronales recurrentes (RNN), convolucionales (CNN) y Transformers ofrecen ventajas al capturar patrones temporales complejos. Entre ellos, el modelo Informer destaca por su diseño para series largas, incorporando innovaciones como la autoatención ProbSparse y la destilación de autoatención, lo que optimiza eficiencia y precisión. Los resultados muestran que Informer supera en diversos casos a modelos como LSTM y LSTNet en métricas como MAE y MSE, aunque enfrenta desafíos para predicciones puntuales en ciertos horizontes. Para abordar esto, se desarrolló una variante adaptada que mejora significativamente la precisión en predicciones a largo plazo, destacando su eficacia en escenarios donde no se requiere una representación completa del comportamiento futuro de las variables. Por el contrario, para series que necesitan representar secuencias futuras, el enfoque tradicional es más adecuado. Los instrumentos de largo plazo, con menor volatilidad, generan predicciones más confiables, mientras que los de corto plazo, más sensibles a factores externos como la política monetaria, presentan mayores desafíos en horizontes largos. Esto subraya que la estabilidad de las variables subyacentes es crucial para el rendimiento del modelo.