Aplicación de modelos de machine learning para nowcasting: una solución para la planeación en la cadena de suministro en la industria electrónica

Abstract

Este trabajo de investigación se centra en el pronóstico del Índice de Precios del Productor (IPP) de los circuitos integrados. El estudio propone un enfoque de nowcasting para estimar el valor de esta variable de frecuencia mensual mediante la integración de variables independientes de frecuencia diaria, permitiendo capturar la dinámica del mercado en tiempo real. A diferencia de las aproximaciones tradicionales, esta tesis se aleja de los modelos econométricos convencionales para priorizar el uso de arquitecturas de Machine Learning, como lo son: Maquinas de Soporte Vectorial (SVM), Árboles de Decisión, Bolsa de Árboles y Bosque Aleatorios; integrando además la red neuronal de Memoria a Largo y Corto Plazo (LSTM) por su capacidad para modelar dependencias secuenciales complejas. Para garantizar la fiabilidad de las predicciones y determinar la conveniencia técnica de su implementación, se aplicó un marco de validación riguroso. Este incluye la prueba de Bootstrap Reality Check para comparar el rendimiento frente a modelos base, el cálculo de la Probabilidad de Overfitting del Backtest (PBO), asegurando que la capacidad predictiva de los modelos seleccionados sea estadísticamente sólida y no producto de un ajuste espurio al ruido histórico y por último, la técnica de Rolling Walking-Forward, la cual simula el desempeño del modelo en un entorno de producción real mediante ventanas deslizantes.