Mi nombre es Guillermo Acuña, economista, especialista en investigación, econometría, y data science.
Acá puedes encontrar mi CV actualizado:
Si deseas contactarme me puedes encontrar en mis redes sociales:
Mis sitios académicos
Visita la web de mi proyecto personal, el Percepciones Económicas, donde publico artículos relacionados con diversos temas que me interesan: economía, econometría, data science, filosofía, neurociencia, psicología, etc. También publico análisis y datos relacionados, con enlaces a las jupyter notebooks correspondientes.
-
En el GitHub del Observatorio de Percepciones Económicas puedes encontrar datos y notebooks de Python relacionados con el contenido del sitio web.
-
En el canal de YouTube podrás encontrar clases y otros contenidos relacionados con el sitio web.
En este repositorio se muestra cómo desarrollar un clasificador de sentimiento económico, un algoritmo que clasifica textos con contenido económico según su polaridad: pesimista, neutral u optimista. Se trata de un proyecto realizado desde cero, lo que implico elaborar una base de datos de noticias económicas con sus respectivas etiquetas. El desarrollo del proyecto también se puede encontrar en YouTube.
En esta notebook se muestra cómo hacer una predicción del IMACEC, el índice mensual de actividad económica del Banco Central, usando modelos SARIMA (Seasonal Autoregressive Integrated Moving Average).
Esta notebook es un trabajo en progreso, en que se muestra cómo calcular el índice de percepción del consumidor (Ipeco) en base a datos de encuestas a consumidores.
En esta notebook se prueban distintos métodos para hacer predicciones de precios de derechos de agua. Los métodos son: regresión de cuantiles, regresión lineal, ridge, lasso, huber regression y random forest. Estos precios corresponden a transacciones realizadas para la primera sección del Río Maipo, en la Región Metropolitana, Chile.
En esta notebook se muestra cómo hacer predicciones de fraude con modelos de Machine Learning en Python. Se utiliza la base de datos sintéticos, generados por PaySim mobile, que e puede descargar del sitio web de Kaggle.
Esta notebook muestra un trabajo inconcluso, realizado con redes neuronales. Finalmente derivó en el clasificador de sentimiento económico.
En esta notebook de hace una clasificación de textos económicos en base a un algoritmo de clústering.
En esta notebook se hace un análisis de sentimentos. Los datos a analizar son comentarios de Amazon, en que los clientes hicieron críticas positivas o negativas a una serie de productos.
En esta notebook se hace un ejercicio de predicción de la tasa de cancelación de clientes de una empresa de telecomunicaciones. Los datos se obtuvieron del sitio web de Kaggle: https://www.kaggle.com/contacts365/telco-churn-prediction
En esta notebook se hace un análisis de segmentación de clientes de un retail online de UK.
En esta notebook se hace un análisis de la canasta de mercado de un retail online de UK.
Las siguientes notebooks no tienen muchas explicaciones, pero puedes encontrar las explicaciones e interpretaciones en los blogs asociados.