Acceso usuarios
El presente estudio propone un modelo de clasificación que combina técnicas de procesamiento de lenguaje natural (PNL), y algoritmos evolutivos con máquinas de soporte vectorial que se emplean en las aplicaciones de aprendizaje de máquina, para analizar 96 documentos publicados por el Banxico relacionados con las decisiones de Política Monetaria que inciden sobre la tasa de interés de referencia.
El documento consta de una introducción en la que se explica el valor crucial que tiene esta tasa en la estabilidad financiera para la economía mexicana. Posteriormente, se expone el estado del arte sobre las aplicaciones del PLN en información financiera de la última década, haciendo hincapié en las decisiones de política monetaria. Para el desarrollo del clasificador se utilizó la metodología CRISP-DM, la cual es un marco de trabajo abierto para los proyectos relacionados con ciencia de datos. Así mismo, se incluyen fragmentos del código Python para incrementar el conjunto de entrenamiento del modelo. En la sección de resultados se valora la capacidad predictiva del modelo propuesto, los cuales se consideran satisfactorios de acuerdo con las métricas empleadas en los proyectos de aprendizaje de máquina.
Finalmente, se valoran los alcances, y las potenciales líneas futuras de investigación que pueden desarrollarse sobre la toma de decisiones financieras relacionadas con la tasa de referencia de México
This study proposes a classification model that combines Natural Language Processing (NLP) and Machine Learning techniques to analyze 96 documents published by Banxico concerning Monetary Policy decisions related to adjusting the reference rate. The document is organized as follows. The introduction highlights the critical role of the reference rate set by Banxico in ensuring the stability and functioning of the Mexican economy. It also reviews the application of NLP in financial documents over last past decade, with a focus on research related to Monetary Policy decisions. The methodology section outlines the CRISP-DM framework used to develop the classification model. It details the steps taken, including the use of Python code to expand the training dataset and the model construction process. The result section evaluates the model’s performance, which is deemed satisfactory based on the predefined evaluation metrics. Finally, the conclusion discusses the model's limitations, suggests potential future research, and emphasizes the importance of this research in enhancing financial decisions-making through the use of the Mexican reference rate
