Morales Ponce, Raúl Patricio2026-01-232026-01-232025https://repositorio.usm.cl/handle/123456789/77813Un 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.39 páginasesAttribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/Curva de rendimientosInteligencia artificialBonos del Tesoro en ChileEstructura de tasasVariables macroeconómicas35609002892448 Trabajo decente y crecimiento económico9 Industria, innovación e infraestructura