Soy un economista y matemático apasionado por las estadísticas y la modelación matemática, en especial aquellas que proponen soluciones a problemas de impacto social. Mis intereses académicos y profesionales se encuentran en la intersección entre la modelación estadística y las políticas públicas. Mi experencia laboral incluye los dominios del manejo de la deuda pública (riesgo del portafolio soberano), la modelación estadística (macroeconométrica y financiera), y la política fiscal.
En mi tiempo libre me gusta construir modelos y gráficos informativos sobre política (elecciones), deportes, y más recientemente, epidemiología. Algunos de estos modelos y demás proyectos los publico via Pascal Analytics.
Puede encontrar la última versión (en inglés) de mi CV aquí (Dec 2019)
Algoritmos de Minería de Texto: una Aplicación al Diferencial Soberano de la República Dominicana (Tesis de Maestría)
Resumen
En este trabajo se presenta un algoritmo de minería de texto para analizar la relación entre el movimiento del diferencial soberano de la República Dominicana y las noticias financieras de mercados emergentes. Este algoritmo está basado en los métodos de análisis de sentimiento y en el algoritmo de clasificación temática Latent Dirichlet Allocation (LDA). El principal hallazgo de esta investigación sostiene que el indicador basado en el sentimiento de las noticias de mercados emergentes tiene un -0.6214 de correlación con el diferencial soberano de República Dominicana. Adicionalmente, se encuentra que las agrupaciones temáticas de las noticias utilizadas para construir el indicador resaltan la importancia de algunos temas sobre otros durante períodos de mayores cambios en el diferencial soberano. Este hallazgo sugiere una relación especial entre estos temas y el diferencial soberano de la República Dominicana.
Modelo FAVAR Óptimo para Proyecciones de Corto Plazo: Aplicación a la República Dominicana Caffaro, G. & Pérez, J., Research Document Series, Nov 2018, Dominican Republic Ministry of Finance
Resumen
El objetivo de esta investigación es identificar un “mejor modelo” de Factor-Augmented Vector Autoregressive (FAVAR), dadas ciertas restricciones, que proyecte el IMAE y la inflación en la República Dominicana. Para esto se realiza un proceso iterativo en donde se identifican las variables que generan mejor información predictiva. El modelo se compara con un VAR y un FAVAR base, utilizando el criterio Root Mean Squared Error (RMSE). Los resultados indican que el “mejor modelo” FAVAR mejora las proyecciones en más de un 12.9% para el IMAE y 7.2% para la inflación, respecto a un modelo base de Vectores Autoregresivos (VAR), y tiene proyecciones 8.9% y 14.7% más precisas que el FAVAR base para el IMAE y la inflación, respectivamente.