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
.jpg)
- Institución
- Universidad Nacional de General San Martín
- OAI Identificador
- oai:ri.unsam.edu.ar:123456789/2731
Ver los metadatos del registro completo
| 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 |