La dinámica estimada por el ARIMA es compatible con una apreciación adicional del colón y ubica su trayectoria central cerca de ₡431 por dólar en diciembre de 2029. Bajo otro conjunto de supuestos, el modelo DOLS combinado con aprendizaje automático converge hacia ₡460. Ninguna de las dos cifras puede tomarse como la respuesta correcta: la brecha entre ambas muestra que el riesgo cambiario también es un riesgo de modelo.
Entre 2022 y 2026, el mercado cambiario costarricense vivió uno de los ajustes más pronunciados de los últimos años: el tipo de cambio bajó de niveles superiores a ₡650 por dólar en 2022 hasta ubicarse cerca de ₡450 en 2026. Ese movimiento alteró los precios relativos que enfrentan hogares y empresas, y dejó abierta una pregunta incómoda: ¿hasta dónde puede seguir apreciándose el colón?
La pregunta resulta especialmente relevante para las organizaciones expuestas al dólar. Cualquier empresa que factura en una moneda y paga en otra necesita proyectar su exposición cambiaria. Sin embargo, reducir esa proyección a una sola trayectoria puede terminar ocultando más de lo que revela.
Desde que Meese y Rogoff (1983) mostraron que los modelos estructurales de tipo de cambio podían perder, fuera de muestra, frente a algo tan simple como un Random Walk, cualquier pronóstico cambiario riguroso debe justificar que aporta algo más que el último dato observado.
Este análisis contrasta dos aproximaciones que parten de información distinta. La primera vincula el tipo de cambio con sus fundamentos macroeconómicos mediante Dynamic Ordinary Least Squares (DOLS), reforzado con una capa de aprendizaje automático. La segunda se apoya en un ARIMA y mira únicamente la historia estadística del propio tipo de cambio. Que sus resultados no coincidan no es un detalle menor: es el hallazgo central del análisis.
El primer ejercicio se apoya en una idea bien conocida en economía internacional: los movimientos cambiarios de corto plazo son difíciles de explicar, pero algunas variables macroeconómicas mantienen relaciones persistentes con el tipo de cambio en horizontes más largos. La especificación utilizada incorpora seis de ellas: la Tasa de Política Monetaria de Costa Rica, la tasa de interés de la Reserva Federal, la inversión extranjera directa, el crecimiento económico, los términos de intercambio y la deuda pública.
El problema es que varias de estas series arrastran tendencias persistentes, y una regresión convencional en niveles corre el riesgo de confundir una relación económica genuina con una simple coincidencia de tendencias. Por eso se recurre a DOLS, la técnica desarrollada por Stock y Watson (1993), que estima vectores cointegrantes incorporando adelantos y rezagos de las primeras diferencias de los regresores para corregir problemas de endogeneidad y correlación serial.
La muestra trimestral utilizada cubre del tercer trimestre de 2011 al primer trimestre de 2026, y el ajuste dentro de muestra alcanza un R² de 0,94. Conviene no sobreinterpretar ese número: describe qué tan bien el modelo explica el pasado, no qué tan probable es que acierte en el futuro. El pronóstico propiamente dicho aparece cuando esa relación estimada se condiciona a trayectorias futuras supuestas para los fundamentos.
A ese núcleo estructural se le sumaron Random Forest y XGBoost, con el objetivo de capturar no linealidades e interacciones que el DOLS por sí solo no recoge. En la validación walk-forward reportada, el DOLS obtuvo el menor error y, en consecuencia, el mayor peso dentro del ensemble: 57,9 %, frente a 23,5 % de XGBoost y 18,6 % de Random Forest. En la práctica, el modelo estructural sigue siendo el núcleo de la proyección, mientras los algoritmos de árboles funcionan como una corrección. Existe un antecedente local para este tipo de combinación en la literatura del BCCR sobre inflación costarricense, aunque su aplicación al tipo de cambio todavía debe evaluarse por separado (Rodríguez Vargas, 2020).
La mediana de las mil trayectorias simuladas parte del último dato observado, ₡456,43 en el segundo trimestre de 2026, desciende hacia la zona de ₡439 a ₡445 durante 2027 y, a partir de ahí, sube de forma gradual hasta ₡459,65 en el cuarto trimestre de 2029. Esa cifra es el escenario que resulta de un modelo y de los supuestos que lo alimentan, no un pronóstico garantizado de que el dólar llegará a ₡460.
El ARIMA aborda el problema desde otro ángulo. En lugar de recurrir a variables externas, pregunta si los cambios pasados del propio tipo de cambio y sus errores recientes contienen información suficiente para proyectar el siguiente período.
Para ello se estimó un ARIMA(1,1,1) sobre el logaritmo del tipo de cambio promedio mensual MONEX, con datos de enero de 2010 a agosto de 2026; septiembre se excluyó por tratarse de un mes incompleto. Como la serie no es estacionaria en niveles, pero sí en primeras diferencias, la especificación trabaja directamente con las variaciones mensuales.
El resultado más sólido de la estimación es el componente de media móvil: el coeficiente MA(1) es 0,52350 y resulta significativo, con p < 0,001. El componente autorregresivo, AR(1) = 0,07575, no es significativo. La prueba Portmanteau, con Q(12) = 10,74 y p = 0,551, tampoco detecta autocorrelación conjunta en los residuos de los primeros doce rezagos, lo que hace de este el diagnóstico más favorable entre los modelos mensuales evaluados.
Donde sí hay que proceder con cautela es en la pendiente de la proyección. La constante en la diferencia logarítmica es negativa, alrededor de −0,001156, pero su p = 0,356 la deja lejos de ser significativa. Ese drift a la baja no está estadísticamente confirmado y el modelo no demuestra que exista una tendencia estable capaz de llevar el dólar a ₡431 de forma inevitable. Lo que muestra es que, si se prolonga la dinámica estimada, la trayectoria central converge hacia ese nivel.
Puestos uno junto al otro, los números hablan solos. El ARIMA ubica su trayectoria central en ₡449,53 para diciembre de 2026, ₡443,34 en 2027, ₡437,23 en 2028 y ₡431,21 en 2029. El DOLS más aprendizaje automático, en cambio, dibuja una caída inicial, una estabilización y una recuperación gradual que cierra 2029 en ₡459,65. Al final del horizonte, la brecha entre ambos escenarios centrales ronda los ₡28,44 por dólar.
Cada uno llega a su cifra por un camino distinto: el ARIMA extrapola la dinámica contenida en la serie, corrigiéndola con sus propias innovaciones; el DOLS más aprendizaje automático conecta la trayectoria con relaciones históricas entre el tipo de cambio y los fundamentos macroeconómicos, además de simulaciones de esas variables. De ahí se desprenden dos riesgos opuestos. Si el régimen reciente se mantiene, el modelo estructural podría estar sobrestimando la reversión; si los fundamentos terminan dominando, el ARIMA podría estar prolongando demasiado la apreciación.
La evidencia disponible no permite establecer cuál modelo tiene mayor precisión predictiva. Para hacerlo se requiere una evaluación fuera de muestra en la que ambos compitan con las mismas fechas de origen, los mismos horizontes y las mismas ventanas de estimación.
Apenas se aleja del dato observado, la banda del DOLS más aprendizaje automático se ensancha con rapidez. Para el cuarto trimestre de 2029, P25 se ubica en ₡434,86; P50, en ₡459,65; P62, en ₡472,62; y P75, en ₡488,12. La dispersión deja claro que ₡460 es solamente el centro de una distribución bastante más amplia.
Para una empresa que cobra en dólares y paga sus costos en colones, P25 es el escenario que más presiona los márgenes, mientras P62 y P75 implican un tipo de cambio más alto. El percentil apropiado para planificar depende de la exposición financiera y de la tolerancia al riesgo de cada organización, no de que alguno sea, por sí mismo, un pronóstico más confiable.
Los 4.961 retornos diarios analizados muestran una curtosis de 23,39 y una dependencia temporal marcada. Los movimientos extremos ocurren con mucha más frecuencia de lo que predeciría una distribución normal, y la volatilidad tiende a agruparse en episodios. Una trayectoria central, por sí sola, no captura este comportamiento.
Frente a esa evidencia se compararon un GARCH y un EGARCH, ambos con innovaciones Student-t. El GARCH(1,1)-t obtiene mejores criterios AIC y BIC, pero presenta un problema: la suma de sus parámetros ARCH y GARCH llega a 1,961, por encima de uno, lo que impide darle una interpretación estacionaria convencional. El EGARCH(1,1)-t, en cambio, muestra una persistencia de 0,9585 y un término asimétrico significativo. Por ello se considera, de momento, la alternativa más defendible para representar la volatilidad, a la espera de diagnósticos adicionales sobre residuos estandarizados y posibles efectos ARCH remanentes.
Los percentiles reflejan el rango calculado con el ARIMA disponible:
| Diciembre | P10 | P25 | Central | P75 | P90 |
|---|---|---|---|---|---|
| 2026 | ₡442,54 | ₡445,84 | ₡449,53 | ₡453,25 | ₡456,63 |
| 2027 | ₡436,45 | ₡439,70 | ₡443,34 | ₡447,01 | ₡450,34 |
| 2028 | ₡430,44 | ₡433,64 | ₡437,23 | ₡440,85 | ₡444,14 |
| 2029 | ₡424,51 | ₡427,67 | ₡431,21 | ₡434,78 | ₡438,02 |
Ninguno de estos valores debe leerse como un techo, un piso o una predicción cierta. El propio reporte reconoce la limitación: en horizontes largos, las bandas siguen siendo demasiado angostas porque no recogen plenamente la acumulación de incertidumbre, las colas pesadas, la incertidumbre de los parámetros ni los posibles cambios de régimen.
Corregirlo requeriría simular al menos 10.000 trayectorias combinando la ecuación de media del ARIMA con innovaciones consistentes con un EGARCH-t. Mientras ese ejercicio no se complete, la figura debe tratarse como un primer acercamiento, no como la distribución definitiva del riesgo.
El punto de comparación obligado es el Random Walk, que asume que el mejor pronóstico para el próximo período es el último tipo de cambio observado. En la muestra disponible arroja un RMSE mensual de referencia cercano a ₡6,92, pero esa cifra por sí sola no permite compararlo con el ARIMA o el DOLS más aprendizaje automático: los tres modelos todavía no han competido bajo un mismo protocolo rolling-origin.
Una comparación homogénea implicaría reestimar cada modelo en las mismas fechas de origen y evaluarlos en horizontes de 1, 3, 6 y 12 meses, siempre con observaciones que ninguno haya visto antes. El RMSE y el MAE medirían la magnitud de los errores, mientras la prueba de Diebold y Mariano (1995) permitiría determinar si la diferencia entre las pérdidas predictivas es estadísticamente distinta de cero. Sin ese ejercicio, un mejor ajuste dentro de muestra o un diagnóstico residual favorable no equivalen a superioridad predictiva.
Los dos ejercicios no son directamente comparables en términos técnicos. El DOLS más aprendizaje automático trabaja con datos trimestrales y fundamentos proyectados; el ARIMA, con datos mensuales del tipo de cambio. Además, ambos inician la proyección en cortes distintos. Por eso, la comparación entre sus trayectorias debe leerse en clave económica y descriptiva, no como una prueba formal de precisión.
El DOLS depende de dos supuestos que no siempre son fáciles de sostener: que la relación de cointegración sea estable y que las trayectorias asumidas para los fundamentos sean plausibles. Un R² de 0,94 no sustituye una prueba fuera de muestra. Los modelos de árboles, además, trabajan sobre una muestra trimestral reducida, lo que los deja expuestos a la selección de hiperparámetros y a eventuales cambios de régimen.
El ARIMA arrastra sus propias limitaciones: no incorpora tasas de interés, inflación, reservas, intervención cambiaria ni choques internacionales, y su drift negativo no es significativo. Sus residuos mensuales son compatibles con ruido blanco, pero el horizonte hasta 2029 excede el tramo en el que este tipo de modelo suele distinguir mejor entre trayectorias alternativas.
También falta la comparación rolling-origin homogénea contra el Random Walk. Hasta que exista, tanto ₡431 como ₡460 deben entenderse como escenarios centrales condicionados a un conjunto de supuestos, no como cifras que puedan darse por ciertas.
La divergencia entre modelos cambia la pregunta para quien gestiona el riesgo. En lugar de construir un presupuesto alrededor de un único tipo de cambio futuro, tiene más sentido que una organización expuesta al dólar mida qué ocurre con sus ingresos, costos y márgenes en escenarios cercanos a ₡430, ₡450 y ₡480, y que revise esos umbrales a medida que llega nueva información.
El ARIMA indica que la dinámica reciente es compatible con una apreciación gradual adicional; el modelo de fundamentos apunta a una estabilización y una reversión parcial. Ninguna trayectoria elimina la incertidumbre, pero vistas en conjunto muestran que una decisión puede cambiar de manera importante según la forma en que se represente el mismo mercado.
Usar bien estos resultados implica actualizar los modelos a medida que se completan nuevos meses y trimestres, someterlos a pruebas homogéneas de precisión fuera de muestra y traducir la distribución de escenarios en variables financieras concretas. Los modelos sirven para ordenar la incertidumbre, no para eliminarla.
Banco Central de Costa Rica. Tipo de cambio promedio MONEX y series macroeconómicas utilizadas en las bases de Ecoanálisis.
Diebold, F. X., y Mariano, R. S. (1995). Comparing predictive accuracy. Journal of Business & Economic Statistics, 13(3), 253–263. https://doi.org/10.1080/07350015.1995.10524599
Ecoanálisis. (2026). Proyección del tipo de cambio. Reporte maestro de evidencia mensual y volatilidad diaria.
Meese, R. A., y Rogoff, K. (1983). Empirical exchange rate models of the seventies: Do they fit out of sample? Journal of International Economics, 14(1–2), 3–24. https://doi.org/10.1016/0022-1996(83)90017-X
Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica, 59(2), 347–370. https://doi.org/10.2307/2938260
Rodríguez Vargas, A. (2020). Forecasting Costa Rican inflation with machine learning methods (Documento de Trabajo 02-2020). Banco Central de Costa Rica.
Stock, J. H., y Watson, M. W. (1993). A simple estimator of cointegrating vectors in higher order integrated systems. Econometrica, 61(4), 783–820. https://doi.org/10.2307/2951763
Torres Gutiérrez, C. E. (2007). Estimación del tipo de cambio real de equilibrio y de tendencia para Costa Rica. Periodo 1991–2006 (Nota Técnica DIE-01-2007-NT). Banco Central de Costa Rica.