Metodología del monitor de remesas

Documento técnico · Remesas en Datos · CINCO · versión 1.0 (junio de 2026) · ¿Buscas la versión sin matemática? Lee la guía de interpretación.

Este documento especifica por completo los modelos del monitor: el modelo estructural de espacio de estados que descompone y pronostica el flujo mensual de remesas, el nowcast del mes en curso con intervalos conformales, la detección de rupturas estructurales, el modelo GARCH de la volatilidad cambiaria, la microestructura de la pizarra bancaria y la descomposición del costo de envío. Toda decisión metodológica que toma el código está documentada aquí; la implementación —TypeScript puro, determinista, sin dependencias numéricas— es pública en el repositorio del proyecto.

1. Datos y definiciones

El monitor integra cinco fuentes, todas ingestadas a BigQuery por canalizaciones automáticas:

Serie	Fuente	Frecuencia	Cobertura
Flujo de remesas familiares $y_t$ (millones USD)	Banguat (Banguat, 2026)	mensual	ene-1994 → presente
Tipo de cambio de referencia $s_\tau$ (GTQ/USD)	Banguat	diaria	ene-2000 → presente
Pizarra bancaria compra/venta (14 bancos)	sitios de los bancos	diaria	jun-2026 → presente
Costo de envío del corredor EE. UU.→GTM	Banco Mundial RPW (Banco Mundial, 2025); cotizaciones semanales de proveedores digitales	anual / semanal	2011 → presente
IPC oficial, canasta básica alimentaria, encuestas	INE, OIM (OIM, 2022), ENCOVI (INE, 2023), RemitSCOPE (RemitSCOPE, 2024)	mensual / anual	—

Convenciones: $t$ indexa meses, $\tau$ días. El objeto modelado es $\log y_t$ : el flujo creció dos órdenes de magnitud desde 1994 (de US $18 M a más de US$ 2,200 M mensuales), de modo que solo en logaritmos los choques son comparables a lo largo de la muestra y la estacionalidad es aproximadamente multiplicativa con amplitud estable.

2. El modelo estructural

2.1 Forma de espacio de estados

Usamos el modelo estructural básico de Harvey (Harvey, 1989): tendencia de nivel local más estacionalidad trigonométrica,

\log y_t = \mu_t + \gamma_t + \varepsilon_t, \qquad \varepsilon_t \sim \mathcal{N}(0, \sigma^2_\varepsilon),

con tendencia de nivel local (caminata aleatoria con deriva estocástica)

\mu_{t+1} = \mu_t + \nu_t + \xi_t, \qquad \xi_t \sim \mathcal{N}(0, \sigma^2_\xi), \qquad\qquad \nu_{t+1} = \nu_t + \zeta_t, \qquad \zeta_t \sim \mathcal{N}(0, \sigma^2_\zeta),

y estacionalidad trigonométrica de período 12 con los seis armónicos $\lambda_j = 2\pi j/12$ , $j = 1,\dots,6$ :

\gamma_t = \sum_{j=1}^{6} \gamma_{j,t}, \qquad \begin{pmatrix} \gamma_{j,t+1} \\ \gamma^*_{j,t+1} \end{pmatrix} = \begin{pmatrix} \cos\lambda_j & \sin\lambda_j \\ -\sin\lambda_j & \cos\lambda_j \end{pmatrix} \begin{pmatrix} \gamma_{j,t} \\ \gamma^*_{j,t} \end{pmatrix} + \begin{pmatrix} \omega_{j,t} \\ \omega^*_{j,t} \end{pmatrix},

con $\omega_{j,t}, \omega^*_{j,t} \sim \mathcal{N}(0, \sigma^2_\omega)$ compartiendo una sola varianza (parsimonia). El armónico de Nyquist $j = 6$ ( $\lambda_6 = \pi$ ) colapsa a un único estado con transición $-1$ . El vector de estado es, por tanto,

\alpha_t = (\mu_t, \nu_t, \gamma_{1,t}, \gamma^*_{1,t}, \dots, \gamma_{5,t}, \gamma^*_{5,t}, \gamma_{6,t})' \in \mathbb{R}^{13},

y el sistema completo en notación matricial estándar $\log y_t = Z\alpha_t + \varepsilon_t$ , $\alpha_{t+1} = T\alpha_t + R\eta_t$ con $Z = (1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1)$ , $R = I_{13}$ y $Q = \mathrm{diag}(\sigma^2_\xi, \sigma^2_\zeta, \sigma^2_\omega I_{11})$ .

Por qué trigonométrica y no dummies

La estacionalidad por variables indicadoras requiere 11 estados con una varianza por mes; la trigonométrica con varianza compartida produce factores estacionales que evolucionan de forma suave —el patrón de remesas cambia lentamente con la composición de la diáspora— y reduce los hiperparámetros de 12 a 1. Con 389 observaciones la diferencia de ajuste es mínima y la varianza del pronóstico, menor.

2.2 El filtro de Kalman

Sea $a_t = \mathbb{E}[\alpha_t \mid y_{1:t-1}]$ y $P_t$ su covarianza. Con observación escalar, las recursiones de (Durbin y Koopman, 2012) son

\begin{aligned} v_t &= \log y_t - Z a_t, &\qquad F_t &= Z P_t Z' + \sigma^2_\varepsilon,\\[2pt] a_{t|t} &= a_t + P_t Z' v_t / F_t, &\qquad P_{t|t} &= P_t - P_t Z' Z P_t / F_t,\\[2pt] a_{t+1} &= T a_{t|t}, &\qquad P_{t+1} &= T P_{t|t} T' + RQR'. \end{aligned}

$F_t$ es escalar: el filtro no invierte ninguna matriz. Cuando $y_t$ falta (o es un mes futuro), se omite la actualización y se propaga solo la predicción — esta es exactamente la mecánica del pronóstico de la sección 3. La inicialización es difusa aproximada: $a_1 = 0$ , $P_1 = \kappa I$ con $\kappa = 10^7$ , y las primeras $d = 13$ innovaciones (la dimensión del estado) se excluyen de la verosimilitud.

2.3 Estimación por máxima verosimilitud

La log-verosimilitud de descomposición del error de predicción es

\ell(\theta) = -\tfrac{1}{2} \sum_{t > d} \left( \log 2\pi F_t(\theta) + \frac{v_t(\theta)^2}{F_t(\theta)} \right), \qquad \theta = (\log\sigma^2_\varepsilon, \log\sigma^2_\xi, \log\sigma^2_\zeta, \log\sigma^2_\omega),

parametrizada en logaritmos para garantizar positividad (acotados en $[-30, 5]$ : si $\sigma^2_\zeta \to 0$ la pendiente es casi determinista y el óptimo está en la frontera, un resultado válido, no un error). Se maximiza con el simplex de Nelder–Mead (Nelder y Mead, 1965) con dos reinicios desde el óptimo. En los datos (389 meses), el ajuste toma ~3 segundos y produce $\hat\sigma_\varepsilon \approx 0.052$ , $\hat\sigma_\xi \approx 0.080$ , $\hat\sigma_\zeta \approx 0$ , $\hat\sigma_\omega \approx 0.0006$ : una tendencia flexible con pendiente suave y estacionalidad que evoluciona muy lentamente.

2.4 Suavizado y descomposición

El suavizador de estados corre hacia atrás con las recursiones $r$ – $N$ de (Durbin y Koopman, 2012):

\begin{aligned} r_{t-1} &= Z' v_t / F_t + L_t' r_t, &\qquad L_t &= T - K_t Z, \qquad K_t = T P_t Z'/F_t,\\[2pt] \hat\alpha_t &= a_t + P_t r_{t-1}, &\qquad N_{t-1} &= Z'Z/F_t + L_t' N_t L_t, \end{aligned}

con $r_n = 0$ , $N_n = 0$ . De $\hat\alpha_t$ salen los tres productos del tablero: la tendencia $\exp(\hat\mu_t)$ , el factor estacional $\hat\gamma_t$ (en puntos log, ≈ desvíos porcentuales) y la serie desestacionalizada $y^{sa}_t = \exp(\log y_t - \hat\gamma_t)$ . El perfil estacional estimado es económicamente interpretable: valle profundo en enero–febrero (≈ −11 %), picos en mayo (Día de la Madre, ≈ +6 %), agosto y octubre–diciembre.

3. Pronóstico

Para pronosticar $h$ meses se filtra la serie extendida $(\log y_1, \dots, \log y_n, \mathsf{null}, \dots, \mathsf{null})$ : en el tramo sin datos el filtro solo propaga, y la media y varianza predictivas son $\hat m_{n+h} = Z a_{n+h}$ y $F_{n+h} = Z P_{n+h} Z' + \sigma^2_\varepsilon$ . Como el predictivo es normal en logaritmos, los cuantiles en niveles son lognormales:

\widehat{y}_{n+h}^{(q)} = \exp\left( \hat m_{n+h} + z_q \sqrt{F_{n+h}} \right), \qquad \mathbb{E}[y_{n+h}] = \exp\left( \hat m_{n+h} + \tfrac{1}{2} F_{n+h} \right),

con $z_q$ el cuantil normal estándar. El abanico del tablero dibuja las bandas 50/80/95 %. En el backtest del año 2025 (modelo ajustado hasta dic-2024), los 12 meses observados cayeron dentro de la banda del 80 %.

4. Nowcast del mes en curso

Banguat publica el flujo con un mes de rezago: en cualquier día del mes $n+1$ el último dato es $y_n$ . El nowcast estima $y_{n+1}$ combinando tres modelos deliberadamente distintos (Bates y Granger, 1969).

4.1 Modelos base

(a) BSM. La predicción 1-paso del modelo estructural, $\exp(\hat m_{n+1} + \tfrac12 F_{n+1})$ , de la sección 3.

(b) Estacional-naïve con deriva. $y_{n-11} \cdot (1 + \bar g)$ , donde $\bar g$ es el crecimiento interanual promedio de los últimos tres meses observados. Sin parámetros: es el punto de referencia que cualquier modelo debe batir.

(c) Puente ridge. Una ecuación puente que explota la información intramensual disponible: al día $d$ del mes ya se observan $d$ días del tipo de cambio de referencia. Como las remesas se liquidan en el mercado cambiario, la apreciación intramensual del quetzal está correlacionada con la fuerza del flujo en curso. La regresión es

\log y_t = \beta_0 + \beta_1 \log y_{t-1} + \beta_2 \log y_{t-12} + \beta_3 \log\tfrac{y_{t-1}}{y_{t-13}} + \beta_4\, \mathrm{fx}_t^{(d)} + \beta_5 \mathrm{DH}_t + \beta_6 \mathrm{VI}_t + \beta_7 \mathrm{QU}_t + u_t,

donde $\mathrm{fx}_t^{(d)} = 100\,\log(\bar s_t^{(d)} / \bar s_{t-1})$ compara el TCR promedio de los primeros $d$ días del mes con el promedio del mes anterior, y $\mathrm{DH}, \mathrm{VI}, \mathrm{QU}$ son días hábiles, viernes y quincenas del mes (centrados), calculados con el calendario de feriados de Guatemala (Semana Santa por computus). Se estima por ridge (Hoerl y Kennard, 1970), sin penalizar el intercepto, con $\lambda$ elegido por validación cruzada generalizada (Golub, Heath y Wahba, 1979):

\hat\beta_\lambda = (X'X + \lambda D)^{-1} X' y, \qquad \mathrm{GCV}(\lambda) = \frac{\mathrm{SSR}(\lambda)/n}{\left(1 - \mathrm{tr}\, H_\lambda / n\right)^2}, \qquad \mathrm{tr}\, H_\lambda = \sum_i \frac{d_i}{d_i + \lambda},

con $d_i$ los autovalores de $X'X$ (calculados por rotaciones de Jacobi).

4.2 Validación y pesos

Los tres modelos se evalúan por validación de origen rodante (Tashman, 2000) con ventana expansiva: para cada origen $t$ desde enero de 2015, se predice $y_t$ usando solo información hasta $t-1$ (el puente se reajusta en cada origen; el BSM usa los hiperparámetros de la muestra completa con estado filtrado hasta $t-1$ —pseudo fuera de muestra, la aproximación estándar cuando reajustar es costoso). Los orígenes se parten por la mitad:

Mitad 1 (pesos). El ensamble pondera por precisión inversa: $w_k \propto 1/\mathrm{MSE}_k$ , normalizados. Las métricas por modelo (MAE, RMSE, MAPE) se publican en el tablero.
Mitad 2 (calibración). Con los pesos congelados, los residuos del ensamble en la mitad 2 calibran los intervalos conformales (§4.3). La separación evita que los pesos y los intervalos usen los mismos errores.

En los datos, el ensamble logra MAPE ≈ 5.4 % a un paso, con pesos aproximados 40 % BSM, 27 % naïve, 33 % puente.

4.3 Intervalos conformales

Los intervalos del nowcast no asumen normalidad: usan predicción conformal dividida (Vovk, Gammerman y Shafer, 2005) sobre el score relativo $R_i = |y_i - \hat y_i| / \hat y_i$ de la mitad de calibración.

Definición — Intervalo conformal del nowcast

Sea $R_{(1)} \le \dots \le R_{(n_c)}$ los scores ordenados de la mitad de calibración y $\hat q_\alpha = R_{(\lceil (n_c+1)(1-\alpha) \rceil)}$ . El intervalo de nivel $1-\alpha$ es $C_\alpha = \left[\, \hat y\,(1 - \hat q_\alpha),\; \hat y\,(1 + \hat q_\alpha) \,\right]$ .

Proposición — Cobertura en muestra finita

Si los scores de calibración y el del mes objetivo son intercambiables, entonces $\mathbb{P}\left(y_{n+1} \in C_\alpha\right) \ge 1 - \alpha$ , sin ningún supuesto distribucional.

Demostración

Sea $R_{n_c+1}$ el score del mes objetivo. Por intercambiabilidad, el rango de $R_{n_c+1}$ entre los $n_c + 1$ scores es uniforme en $\{1, \dots, n_c+1\}$ . Entonces $\mathbb{P}\big(R_{n_c+1} \le R_{(\lceil (n_c+1)(1-\alpha)\rceil)}\big) \ge \lceil (n_c+1)(1-\alpha)\rceil / (n_c+1) \ge 1-\alpha$ , y $R_{n_c+1} \le \hat q_\alpha$ equivale a $y_{n+1} \in C_\alpha$ . ∎

∎

La intercambiabilidad es una idealización en series de tiempo (véase §11); empíricamente, la cobertura del 80 % en la ventana de calibración es cercana a la nominal, y los intervalos se ensanchan mecánicamente tras episodios volátiles, que es el comportamiento deseable (Angelopoulos y Bates, 2023).

5. Rupturas estructurales y anomalías

5.1 CUSUM de innovaciones

Las innovaciones estandarizadas del filtro, $e_t = v_t/\sqrt{F_t}$ , son aproximadamente $\mathcal{N}(0,1)$ e independientes bajo el modelo. El estadístico CUSUM $W_t = \sum_{s \le t} e_s / \sqrt{n - d}$ se compara con las bandas del 5 % de (Brown, Durbin y Evans, 1975), $\pm 0.948\,[\sqrt{n-d} + 2(t-d)/\sqrt{n-d}]/\sqrt{n-d}$ : una excursión sostenida señala un cambio sistemático de nivel no capturado por el modelo. Las innovaciones individuales también se publican: marzo–abril de 2020 (COVID-19) es la innovación más negativa de la década (−2.4σ).

5.2 Segmentación de regímenes

Sobre el crecimiento interanual desestacionalizado $g_t = y^{sa}_t / y^{sa}_{t-12} - 1$ (era moderna, 2005–presente: el despegue 1999–2004, con crecimientos > 100 %, domina cualquier criterio homoscedástico) se estima el modelo de medias por tramos de (Bai y Perron, 1998):

\min_{0 = \tau_0 < \tau_1 < \cdots < \tau_{K+1} = n}\; \sum_{k=0}^{K} \sum_{t = \tau_k + 1}^{\tau_{k+1}} (g_t - \bar g_k)^2, \qquad \mathrm{BIC}(K) = n \log\frac{\mathrm{SSR}_K}{n} + 2(K+1)\log n,

resuelto de forma exacta por programación dinámica (con $n \approx 257$ la DP es instantánea), longitud mínima de segmento 12 meses, $K \le 6$ elegido por BIC. El resultado actual identifica, entre otros, la contracción de la crisis financiera (oct-2008 → feb-2010, media −8 %), el auge pos-COVID (mar-2021 → feb-2022, media +40 %) y el régimen vigente (≈ +13 %).

5.3 Estudio de evento: el impuesto de 2026

Desde el 1 de enero de 2026 EE. UU. aplica un impuesto del 1 % a remesas salientes en efectivo (EE. UU., 2026). El efecto se estima con la metodología de control sintético temporal: se ajusta el BSM solo con datos hasta dic-2025 y su pronóstico es el contrafactual "sin impuesto";

\widehat{\Delta}_h = y_{n_0 + h} - \mathbb{E}\left[ y_{n_0+h} \mid y_{1:n_0} \right], \qquad h = 1, \dots, H,

con las bandas predictivas lognormales como medida de incertidumbre: un desvío fuera de la banda del 95 % es inconsistente con la dinámica previa. La estimación se actualiza cada mes al publicarse un dato nuevo. (Advertencia estándar: el desvío captura todo lo que cambió desde enero de 2026, no solo el impuesto; la anticipación de remitentes en 2025-S2 —adelantar envíos antes de la vigencia— sesgaría el contrafactual al alza.)

6. Volatilidad cambiaria

Sobre los log-retornos diarios del TCR, $r_\tau = 100\,\Delta \log s_\tau$ (≈ 6,500 observaciones desde 2000), se estiman dos medidas complementarias:

EWMA (J.P. Morgan, 1996): $\sigma^2_\tau = \lambda \sigma^2_{\tau-1} + (1-\lambda) r^2_{\tau-1}$ con $\lambda = 0.94$ .

GARCH(1,1) (Bollerslev, 1986):

r_\tau = \sigma_\tau \epsilon_\tau, \qquad \sigma^2_\tau = \omega + \alpha r^2_{\tau-1} + \beta \sigma^2_{\tau-1},

estimado por cuasi-máxima verosimilitud gaussiana con la reparametrización $\omega = e^{\theta_1}$ , $(\alpha, \beta) = 0.999 \cdot (e^{\theta_2}, e^{\theta_3})/(1 + e^{\theta_2} + e^{\theta_3})$ , que impone $\alpha, \beta > 0$ y $\alpha + \beta < 0.999$ sin restricciones en $\theta$ . En los datos $\hat\alpha \approx 0.13$ , $\hat\beta \approx 0.87$ : persistencia $\approx 0.999$ —en la frontera, comportamiento cuasi-IGARCH típico de un tipo de cambio administrado con largos períodos de calma interrumpidos por episodios— por lo que la vida media del choque ( $\log 0.5 / \log(\alpha+\beta)$ ) debe leerse como "muy larga" más que como una cifra puntual. La volatilidad se publica anualizada ( $\times\sqrt{252}$ ).

7. Microestructura de la pizarra bancaria

Para cada banco $b$ y día $\tau$ , con tasas de compra $c_{b\tau}$ y venta $v_{b\tau}$ (la compra es la que recibe quien cobra una remesa en dólares):

Spread: $v_{b\tau} - c_{b\tau}$ , el margen bruto del banco.
Prima de compra: $c_{b\tau}/s_\tau - 1$ frente al TCR de referencia.
Quetzales por remesa: $200 \cdot c_{b\tau}$ para el envío típico de US$ 200.
Dispersión transversal: rango $\max_b c_{b\tau} - \min_b c_{b\tau}$ , desviación estándar e IQR. Es la versión cambiaria de la "ley de un solo precio": en un mercado sin fricciones la dispersión sería ≈ 0; su nivel mide cuánto pierde un receptor por cobrar en el banco equivocado.

La serie de la pizarra nace el 11 de junio de 2026; las vistas temporales se activan al acumular historia (las medidas de un día —ranking, dispersión— son válidas desde el primer día).

8. Remesas y tipo de cambio: regresión HAC

La hipótesis de que los meses estacionalmente fuertes de remesas aprecian el quetzal se contrasta con

100\,\Delta \log \bar s_t = \delta_0 + \delta_1 \hat\gamma_t + \delta_2\, 100\,\Delta \log \bar s_{t-1} + u_t,

donde $\bar s_t$ es el TCR promedio del mes y $\hat\gamma_t$ el factor estacional de remesas (§2.4). Como $u_t$ está serialmente correlacionado, la inferencia usa errores de (Newey y West, 1987) con núcleo de Bartlett y $L = \lfloor 4 (n/100)^{2/9} \rfloor$ rezagos. Un $\hat\delta_1 < 0$ significativo indica que la estacionalidad de remesas se transmite al mercado cambiario.

9. Costo de envío y la meta ODS 10.c

Para un envío de monto $A$ con comisión fija $\phi$ y tipo de cambio del proveedor $s_p$ frente a la referencia $s$ :

c \;=\; \underbrace{\frac{\phi}{A}}_{\text{comisión}} \;+\; \underbrace{1 - \frac{s_p}{s}}_{\text{margen cambiario}},

la descomposición estándar del Banco Mundial (Banco Mundial, 2025). El margen cambiario puede ser negativo (proveedores que pagan sobre la referencia para captar volumen). El tablero compara la última cotización de cada proveedor digital para US$ 200, la serie anual del RPW para el corredor EE. UU.→Guatemala y la distancia a la meta ODS 10.c (Naciones Unidas, 2015): costo promedio ≤ 3 % al 2030.

10. Poder adquisitivo real

Dos transformaciones del flujo nominal:

Flujo real. $y^{real}_t = y_t \cdot (P_{T}/P_t)$ con $P_t$ el IPC oficial (base: último mes disponible $T$ ). Responde a "¿cuántos dólares de poder de compra de hoy entraron?".

Canastas por hogar receptor. Con $\bar s_t$ el TCR promedio del mes, $H = 1{,}748{,}040$ hogares receptores (OIM, 2022) y $\kappa_t$ el costo mensual per cápita de la canasta básica alimentaria urbana (INE):

\text{canastas}_t = \frac{y_t \cdot 10^6 \cdot \bar s_t}{H \cdot \kappa_t}.

Es una métrica de bienestar deliberadamente cruda (el número de hogares es un parámetro de 2022, no una serie), útil por su interpretabilidad: cuántas canastas alimentarias per cápita compra la remesa promedio por hogar.

11. Limitaciones

Revisiones de la fuente. Banguat puede revisar los últimos meses; el monitor siempre refleja la última cifra publicada y no congela vintages.
Intercambiabilidad conformal. En series de tiempo la garantía de la §4.3 es aproximada; los cambios de régimen degradan la cobertura hasta que la ventana de calibración los absorbe.
Pseudo fuera de muestra del BSM. Los hiperparámetros (no los estados) usan la muestra completa en la validación; el sesgo resultante es pequeño pero no nulo, y es el costo de mantener la validación computable.
Estudio de evento ≠ efecto causal. El contrafactual del §5.3 atribuye al evento todo el desvío posterior a la fecha de corte.
El número de hogares receptores es fijo (encuesta 2022); las canastas por hogar son un índice de poder de compra, no una medición por hogar.
La pizarra bancaria es de tasas publicadas, no transadas; los montos grandes negocian tasas preferenciales.

Referencias

Harvey, A. C. (1989). Forecasting, Structural Time Series Models and the Kalman Filter. Cambridge University Press.
Durbin, J. y S. J. Koopman (2012). Time Series Analysis by State Space Methods (2.ª ed.). Oxford University Press.
Kalman, R. E. (1960). “A New Approach to Linear Filtering and Prediction Problems”. Journal of Basic Engineering, 82(1), 35–45.
Bai, J. y P. Perron (1998). “Estimating and Testing Linear Models with Multiple Structural Changes”. Econometrica, 66(1), 47–78.
Brown, R. L., J. Durbin y J. M. Evans (1975). “Techniques for Testing the Constancy of Regression Relationships over Time”. Journal of the Royal Statistical Society B, 37(2), 149–192.
Bollerslev, T. (1986). “Generalized Autoregressive Conditional Heteroskedasticity”. Journal of Econometrics, 31(3), 307–327.
Newey, W. K. y K. D. West (1987). “A Simple, Positive Semi-definite, Heteroskedasticity and Autocorrelation Consistent Covariance Matrix”. Econometrica, 55(3), 703–708.
Vovk, V., A. Gammerman y G. Shafer (2005). Algorithmic Learning in a Random World. Springer.
Angelopoulos, A. N. y S. Bates (2023). “Conformal Prediction: A Gentle Introduction”. Foundations and Trends in Machine Learning, 16(4), 494–591.
Bates, J. M. y C. W. J. Granger (1969). “The Combination of Forecasts”. Operational Research Quarterly, 20(4), 451–468.
Golub, G. H., M. Heath y G. Wahba (1979). “Generalized Cross-Validation as a Method for Choosing a Good Ridge Parameter”. Technometrics, 21(2), 215–223.
Hoerl, A. E. y R. W. Kennard (1970). “Ridge Regression: Biased Estimation for Nonorthogonal Problems”. Technometrics, 12(1), 55–67.
Tashman, L. J. (2000). “Out-of-sample tests of forecasting accuracy: an analysis and review”. International Journal of Forecasting, 16(4), 437–450.
J.P. Morgan/Reuters (1996). RiskMetrics — Technical Document (4.ª ed.). Nueva York.
Nelder, J. A. y R. Mead (1965). “A Simplex Method for Function Minimization”. The Computer Journal, 7(4), 308–313.
Banco de Guatemala (2026). Remesas familiares: ingreso de divisas; tipo de cambio de referencia. Estadísticas oficiales, banguat.gob.gt. https://www.banguat.gob.gt
Organización Internacional para las Migraciones y Banco de Guatemala (2022). Encuesta sobre Migración Internacional de Personas Guatemaltecas y Remesas.
Instituto Nacional de Estadística (2023). Encuesta Nacional de Condiciones de Vida (ENCOVI).
Banco Mundial (2025). Remittance Prices Worldwide. remittanceprices.worldbank.org. https://remittanceprices.worldbank.org
RemitSCOPE/FIDA (2024). Diagnóstico del mercado de remesas, Guatemala.
Naciones Unidas (2015). Objetivos de Desarrollo Sostenible, meta 10.c: reducir a menos del 3 % los costos de transacción de las remesas de los migrantes.
Estados Unidos (2025). One Big Beautiful Bill Act, §112105: impuesto especial del 1 % a transferencias de remesas en efectivo, vigente para transferencias posteriores al 31 de diciembre de 2025.