External Crisis Prediction Using Machine Learning : An Early Warning System for Argentina

Autores
Comisso, Augusto Alejandro
Año de publicación
2024
Idioma
inglés
Tipo de recurso
tesis de maestría
Estado
versión aceptada
Colaborador/a o director/a de tesis
Zeolla, Nicolás Hernán
Descripción
Tesis de Maestría
External Early Warning Systems (EWSs) have traditionally been designed to warn policymakers of potential balance of payments crises. This study compares the performance of three different EWSs Machine Learning models using Classification and Regression Trees (CART), Bagging or Bootstrap Aggregating (BA) and Random Forest (RF). The three models have been trained with Argentinian data between 2003 and 2023 and have shown high out-of-sample performance. In addition, using 103 macroeconomic variables, the models highlight the relevance of certain variables in the fiscal, external, real and monetary sectors as potential predictors of future currency crises in Argentina.
Los denominados "External Early Warning Systems" (EWSs) o "Sistemas Externos de Alerta Temprana" (SAT), fueron diseñados con el fin de identificar posibles crisis de balanza de pagos. Este estudio compara el rendimiento de tres diferentes modelos de aprendizaje automático de "EWSs" utilizando las técnicas de: Classification and Regression Trees / Clasificación y Árboles de Regresión (CART), Bagging or Bootstrap Aggregating (BA) / Agregación de Ensacado o Bootstrap (BA) y Random Forest (RF) / Bosque Aleatorio. Estos tres modelos fueron entrenados con datos sobre Argentina relativos al período comprendido entre 2003 y 2023 mostrando en sus resultados un alto desempeño por fuera de la muestra. En adición, mediante la utilización de 103 variables macroeconómicas, los modelos destacaron la relevancia de determinadas variables en los sectores fiscales, externo, real y monetario como posibles predictores de futuras crisis monetarias en Argentina.
Fil: Comisso, Augusto Alejandro. Universidad Nacional de San Martín. Escuela Interdisciplinaria de Altos Estudios Sociales; Argentina
Materia
ECONOMÍA
MODELO ECONÓMICO
INTELIGENCIA ARTIFICIAL
RECESIÓN ECONÓMICA
BALANZA DE PAGOS
POLÍTICA ECONÓMICA
ARGENTINA
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
Repositorio Institucional (UNSAM)
Institución
Universidad Nacional de General San Martín
OAI Identificador
oai:ri.unsam.edu.ar:123456789/2731

id RIUNSAM_54cb4b3ebc6b3dca8c07524aba831d87
oai_identifier_str oai:ri.unsam.edu.ar:123456789/2731
network_acronym_str RIUNSAM
repository_id_str s
network_name_str Repositorio Institucional (UNSAM)
spelling External Crisis Prediction Using Machine Learning : An Early Warning System for ArgentinaComisso, Augusto AlejandroECONOMÍAMODELO ECONÓMICOINTELIGENCIA ARTIFICIALRECESIÓN ECONÓMICABALANZA DE PAGOSPOLÍTICA ECONÓMICAARGENTINATesis de MaestríaExternal Early Warning Systems (EWSs) have traditionally been designed to warn policymakers of potential balance of payments crises. This study compares the performance of three different EWSs Machine Learning models using Classification and Regression Trees (CART), Bagging or Bootstrap Aggregating (BA) and Random Forest (RF). The three models have been trained with Argentinian data between 2003 and 2023 and have shown high out-of-sample performance. In addition, using 103 macroeconomic variables, the models highlight the relevance of certain variables in the fiscal, external, real and monetary sectors as potential predictors of future currency crises in Argentina.Los denominados "External Early Warning Systems" (EWSs) o "Sistemas Externos de Alerta Temprana" (SAT), fueron diseñados con el fin de identificar posibles crisis de balanza de pagos. Este estudio compara el rendimiento de tres diferentes modelos de aprendizaje automático de "EWSs" utilizando las técnicas de: Classification and Regression Trees / Clasificación y Árboles de Regresión (CART), Bagging or Bootstrap Aggregating (BA) / Agregación de Ensacado o Bootstrap (BA) y Random Forest (RF) / Bosque Aleatorio. Estos tres modelos fueron entrenados con datos sobre Argentina relativos al período comprendido entre 2003 y 2023 mostrando en sus resultados un alto desempeño por fuera de la muestra. En adición, mediante la utilización de 103 variables macroeconómicas, los modelos destacaron la relevancia de determinadas variables en los sectores fiscales, externo, real y monetario como posibles predictores de futuras crisis monetarias en Argentina.Fil: Comisso, Augusto Alejandro. Universidad Nacional de San Martín. Escuela Interdisciplinaria de Altos Estudios Sociales; ArgentinaUniversidad Nacional de San Martín. Escuela Interdisciplinaria de Altos Estudios SocialesZeolla, Nicolás Hernán2024info:eu-repo/semantics/acceptedVersioninfo:eu-repo/semantics/masterThesishttp://purl.org/coar/resource_type/c_bdccinfo:ar-repo/semantics/tesisDeMaestriaapplication/pdf150 p.application/pdfComisso, A. A. (2024). External Crisis Prediction Using Machine Learning : An Early Warning System for Argentina [Tesis de Maestría, Universidad Nacional de San Martín]. Disponible en Repositorio Institucional UNSAMTMAG_EIDAES_2024_CAAhttp://ri.unsam.edu.ar/handle/123456789/2731engARGinfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/2.5/ar/Creative Commons Atribución-NoComercial-CompartirIgual 2.5 Argentina (CC BY-NC-SA 2.5)reponame:Repositorio Institucional (UNSAM)instname:Universidad Nacional de General San Martín2026-03-26T12:18:36Zoai:ri.unsam.edu.ar:123456789/2731instacron:UNSAMInstitucionalhttp://ri.unsam.edu.arUniversidad públicaNo correspondehttp://ri.unsam.edu.ar/oai/lpastran@unsam.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:s2026-03-26 12:18:38.263Repositorio Institucional (UNSAM) - Universidad Nacional de General San Martínfalse
dc.title.none.fl_str_mv External Crisis Prediction Using Machine Learning : An Early Warning System for Argentina
title External Crisis Prediction Using Machine Learning : An Early Warning System for Argentina
spellingShingle External Crisis Prediction Using Machine Learning : An Early Warning System for Argentina
Comisso, Augusto Alejandro
ECONOMÍA
MODELO ECONÓMICO
INTELIGENCIA ARTIFICIAL
RECESIÓN ECONÓMICA
BALANZA DE PAGOS
POLÍTICA ECONÓMICA
ARGENTINA
title_short External Crisis Prediction Using Machine Learning : An Early Warning System for Argentina
title_full External Crisis Prediction Using Machine Learning : An Early Warning System for Argentina
title_fullStr External Crisis Prediction Using Machine Learning : An Early Warning System for Argentina
title_full_unstemmed External Crisis Prediction Using Machine Learning : An Early Warning System for Argentina
title_sort External Crisis Prediction Using Machine Learning : An Early Warning System for Argentina
dc.creator.none.fl_str_mv Comisso, Augusto Alejandro
author Comisso, Augusto Alejandro
author_facet Comisso, Augusto Alejandro
author_role author
dc.contributor.none.fl_str_mv Zeolla, Nicolás Hernán
dc.subject.none.fl_str_mv ECONOMÍA
MODELO ECONÓMICO
INTELIGENCIA ARTIFICIAL
RECESIÓN ECONÓMICA
BALANZA DE PAGOS
POLÍTICA ECONÓMICA
ARGENTINA
topic ECONOMÍA
MODELO ECONÓMICO
INTELIGENCIA ARTIFICIAL
RECESIÓN ECONÓMICA
BALANZA DE PAGOS
POLÍTICA ECONÓMICA
ARGENTINA
dc.description.none.fl_txt_mv Tesis de Maestría
External Early Warning Systems (EWSs) have traditionally been designed to warn policymakers of potential balance of payments crises. This study compares the performance of three different EWSs Machine Learning models using Classification and Regression Trees (CART), Bagging or Bootstrap Aggregating (BA) and Random Forest (RF). The three models have been trained with Argentinian data between 2003 and 2023 and have shown high out-of-sample performance. In addition, using 103 macroeconomic variables, the models highlight the relevance of certain variables in the fiscal, external, real and monetary sectors as potential predictors of future currency crises in Argentina.
Los denominados "External Early Warning Systems" (EWSs) o "Sistemas Externos de Alerta Temprana" (SAT), fueron diseñados con el fin de identificar posibles crisis de balanza de pagos. Este estudio compara el rendimiento de tres diferentes modelos de aprendizaje automático de "EWSs" utilizando las técnicas de: Classification and Regression Trees / Clasificación y Árboles de Regresión (CART), Bagging or Bootstrap Aggregating (BA) / Agregación de Ensacado o Bootstrap (BA) y Random Forest (RF) / Bosque Aleatorio. Estos tres modelos fueron entrenados con datos sobre Argentina relativos al período comprendido entre 2003 y 2023 mostrando en sus resultados un alto desempeño por fuera de la muestra. En adición, mediante la utilización de 103 variables macroeconómicas, los modelos destacaron la relevancia de determinadas variables en los sectores fiscales, externo, real y monetario como posibles predictores de futuras crisis monetarias en Argentina.
Fil: Comisso, Augusto Alejandro. Universidad Nacional de San Martín. Escuela Interdisciplinaria de Altos Estudios Sociales; Argentina
description Tesis de Maestría
publishDate 2024
dc.date.none.fl_str_mv 2024
dc.type.none.fl_str_mv info:eu-repo/semantics/acceptedVersion
info:eu-repo/semantics/masterThesis
http://purl.org/coar/resource_type/c_bdcc
info:ar-repo/semantics/tesisDeMaestria
status_str acceptedVersion
format masterThesis
dc.identifier.none.fl_str_mv Comisso, A. A. (2024). External Crisis Prediction Using Machine Learning : An Early Warning System for Argentina [Tesis de Maestría, Universidad Nacional de San Martín]. Disponible en Repositorio Institucional UNSAM
TMAG_EIDAES_2024_CAA
http://ri.unsam.edu.ar/handle/123456789/2731
identifier_str_mv Comisso, A. A. (2024). External Crisis Prediction Using Machine Learning : An Early Warning System for Argentina [Tesis de Maestría, Universidad Nacional de San Martín]. Disponible en Repositorio Institucional UNSAM
TMAG_EIDAES_2024_CAA
url http://ri.unsam.edu.ar/handle/123456789/2731
dc.language.none.fl_str_mv eng
language eng
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Creative Commons Atribución-NoComercial-CompartirIgual 2.5 Argentina (CC BY-NC-SA 2.5)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Creative Commons Atribución-NoComercial-CompartirIgual 2.5 Argentina (CC BY-NC-SA 2.5)
dc.format.none.fl_str_mv application/pdf
150 p.
application/pdf
dc.coverage.none.fl_str_mv ARG
dc.publisher.none.fl_str_mv Universidad Nacional de San Martín. Escuela Interdisciplinaria de Altos Estudios Sociales
publisher.none.fl_str_mv Universidad Nacional de San Martín. Escuela Interdisciplinaria de Altos Estudios Sociales
dc.source.none.fl_str_mv reponame:Repositorio Institucional (UNSAM)
instname:Universidad Nacional de General San Martín
reponame_str Repositorio Institucional (UNSAM)
collection Repositorio Institucional (UNSAM)
instname_str Universidad Nacional de General San Martín
repository.name.fl_str_mv Repositorio Institucional (UNSAM) - Universidad Nacional de General San Martín
repository.mail.fl_str_mv lpastran@unsam.edu.ar
_version_ 1860739931127676928
score 13.09665