APRENDIZAJE PROFUNDO: TEORÍA Y APLICACIONES AL ANÁLISIS MACROECONÓMICO
dc.contributor.author | Pulido Cortázar, Daniel | |
dc.date.accessioned | 2023-07-07T18:00:02Z | |
dc.date.available | 2023-07-07T18:00:02Z | |
dc.date.issued | 2023-07-07 | |
dc.description | Trabajo Fin de Grado leído en la Universidad Rey Juan Carlos en el curso académico 2022/2023. Directores/as: Javier Martínez Moguerza | |
dc.description.abstract | El objetivo de este trabajo de investigación es construir los fundamentos teóricos y profundizar en la aplicabilidad del aprendizaje profundo a los problemas macroeconómicos. Se trata de desarrollar un marco con el que las técnicas de aprendizaje automático puedan incluirse dentro del espectro de técnicas econométricas, basadas especialmente en procedimientos estadísticos clásicos. Además, el trabajo explora técnicas de explicabilidad que permitan no sólo la predicción, sino también la posibilidad de que este tipo de modelos puedan ayudar en la definición de la política económica. El trabajo consta de tres partes diferenciadas. En la primera parte, el trabajo pretende desarrollar de forma sólida los fundamentos de la teoría de aprendizaje Probablemente Aproximadamente Correcto (PAC) sobre los que justificar un marco de modelización mediante redes neuronales profundas. Se construye la teoría del aprendizaje computacional y se muestran sus resultados principales. Posteriormente se desarrollan los aspectos más prácticos, que permiten modelar todo tipo de problemas de aprendizaje supervisado. Se tratan temas como la arquitectura, el entrenamiento, la selección de hiperparámetros y cómo mejorar la capacidad de generalización de los modelos. Además, se trata específicamente la arquitectura de las redes neuronales recurrentes y la neurona de memoria a largo y corto plazo (LSTM), que son adecuadas para el modelado de series temporales. Para concluir el trabajo, se utilizan todos los conceptos desarrollados anteriormente para llevar a cabo un proyecto empírico con el objetivo de modelizar la inflación trimestral a medio plazo en España. Para ello, se utilizan numerosas variables no directamente relacionadas con la inflación. Posteriormente, con técnicas de explicabilidad global, se intenta estudiar qué variables han sido más utilizadas por el modelo para conocer los determinantes de la inflación y así poder ayudar a aplicar una política económica mejor informada al respecto. Los resultados son fuertemente respaldados por la teoría económica clásica. | |
dc.identifier.uri | https://hdl.handle.net/10115/22487 | |
dc.language.iso | spa | |
dc.publisher | Universidad Rey Juan Carlos | |
dc.rights | ||
dc.rights.accessRights | info:eu-repo/semantics/embargoedAccess | |
dc.rights.uri | ||
dc.subject | Inteligencia Artificial | |
dc.subject | Aprendizaje Profundo | |
dc.subject | Economía | |
dc.subject | Aprendizaje Automático | |
dc.subject | Macroeconomía | |
dc.subject | Python | |
dc.title | APRENDIZAJE PROFUNDO: TEORÍA Y APLICACIONES AL ANÁLISIS MACROECONÓMICO | |
dc.type | info:eu-repo/semantics/studentThesis |
Archivos
Bloque original
1 - 1 de 1
No hay miniatura disponible
- Nombre:
- 2022-23-ETSII-A-2299-2299059-d.pulido.2017-MEMORIA.pdf
- Tamaño:
- 1.24 MB
- Formato:
- Adobe Portable Document Format
- Descripción:
- Memoria del TFG