Pronóstico del precio de la energía en Colombia por medio de modelos GARCH y Redes Neuronales Recurrentes

El precio de la energía es una variable con una alta volatilidad debido a la gran cantidad de factores influyentes que causan picos y variaciones fuertes en ciertos periodos, por esta razón se realizará un modelado del precio de la energía por medio de modelos utilizados frecuentemente para el trata...

Full description

Autores:: Huertas, Juan Sebastian

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2021

Institución:: Universidad Santo Tomás

Repositorio:: Repositorio Institucional USTA

Idioma:: spa

id	SANTTOMAS2_de3364518241571392c1f9c8e535a339
oai_identifier_str	oai:repository.usta.edu.co:11634/35374
network_acronym_str	SANTTOMAS2
network_name_str	Repositorio Institucional USTA
repository_id_str
dc.title.spa.fl_str_mv	Pronóstico del precio de la energía en Colombia por medio de modelos GARCH y Redes Neuronales Recurrentes
title	Pronóstico del precio de la energía en Colombia por medio de modelos GARCH y Redes Neuronales Recurrentes
spellingShingle	Pronóstico del precio de la energía en Colombia por medio de modelos GARCH y Redes Neuronales Recurrentes Energy Recurrent neural networks GARCH AIC BIC ARCH Redes neuronales (Computadores) Volatilidad Economía de la Energía Energía Redes neuronales recurrentes GARCH ARCH AIC BIC ARCH
title_short	Pronóstico del precio de la energía en Colombia por medio de modelos GARCH y Redes Neuronales Recurrentes
title_full	Pronóstico del precio de la energía en Colombia por medio de modelos GARCH y Redes Neuronales Recurrentes
title_fullStr	Pronóstico del precio de la energía en Colombia por medio de modelos GARCH y Redes Neuronales Recurrentes
title_full_unstemmed	Pronóstico del precio de la energía en Colombia por medio de modelos GARCH y Redes Neuronales Recurrentes
title_sort	Pronóstico del precio de la energía en Colombia por medio de modelos GARCH y Redes Neuronales Recurrentes
dc.creator.fl_str_mv	Huertas, Juan Sebastian
dc.contributor.advisor.none.fl_str_mv	Rincon, William Arley
dc.contributor.author.none.fl_str_mv	Huertas, Juan Sebastian
dc.contributor.googlescholar.spa.fl_str_mv	https://scholar.google.es/citations?user=5z4hIPgAAAAJ&hl=es
dc.contributor.cvlac.spa.fl_str_mv	https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000571776
dc.contributor.corporatename.spa.fl_str_mv	Universidad Santo Tomás
dc.subject.keyword.spa.fl_str_mv	Energy Recurrent neural networks GARCH AIC BIC ARCH
topic	Energy Recurrent neural networks GARCH AIC BIC ARCH Redes neuronales (Computadores) Volatilidad Economía de la Energía Energía Redes neuronales recurrentes GARCH ARCH AIC BIC ARCH
dc.subject.lemb.spa.fl_str_mv	Redes neuronales (Computadores) Volatilidad Economía de la Energía
dc.subject.proposal.spa.fl_str_mv	Energía Redes neuronales recurrentes GARCH ARCH AIC BIC ARCH
description	El precio de la energía es una variable con una alta volatilidad debido a la gran cantidad de factores influyentes que causan picos y variaciones fuertes en ciertos periodos, por esta razón se realizará un modelado del precio de la energía por medio de modelos utilizados frecuentemente para el tratamiento de series financieras como lo son los modelos GARCH que surgieron por la necesidad de trabajar series con heterocedasticidad condicional (Bollerslev, 1986). Además, se realiza la evaluación de predicción del modelo de redes neuronales recurrentes RNR (Manchado, 2018) con el fin de realizar una comparación para determinar cuál de las dos metodologías es la mejor para pronosticar el precio de la energía en Colombia.
publishDate	2021
dc.date.accessioned.none.fl_str_mv	2021-08-25T16:55:01Z
dc.date.available.none.fl_str_mv	2021-08-25T16:55:01Z
dc.date.issued.none.fl_str_mv	2021-08-25
dc.type.local.spa.fl_str_mv	Trabajo de grado
dc.type.version.none.fl_str_mv	info:eu-repo/semantics/acceptedVersion
dc.type.category.spa.fl_str_mv	Formación de Recurso Humano para la Ctel: Trabajo de grado de Pregrado
dc.type.coar.none.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.drive.none.fl_str_mv	info:eu-repo/semantics/bachelorThesis
format	http://purl.org/coar/resource_type/c_7a1f
status_str	acceptedVersion
dc.identifier.citation.spa.fl_str_mv	Huertas, J.S.(2021). Pronóstico del precio de la energía en Colombia por medio de modelos GARCH y Redes Neuronales Recurrentes. Facultad de estadística. Universidad Santo Tomás
dc.identifier.uri.none.fl_str_mv	http://hdl.handle.net/11634/35374
dc.identifier.reponame.spa.fl_str_mv	reponame:Repositorio Institucional Universidad Santo Tomás
dc.identifier.instname.spa.fl_str_mv	instname:Universidad Santo Tomás
dc.identifier.repourl.spa.fl_str_mv	repourl:https://repository.usta.edu.co
identifier_str_mv	Huertas, J.S.(2021). Pronóstico del precio de la energía en Colombia por medio de modelos GARCH y Redes Neuronales Recurrentes. Facultad de estadística. Universidad Santo Tomás reponame:Repositorio Institucional Universidad Santo Tomás instname:Universidad Santo Tomás repourl:https://repository.usta.edu.co
url	http://hdl.handle.net/11634/35374
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.references.spa.fl_str_mv	ACER. (2020). ACER: Energías Renovables. Obtenido de https://www.asorenovables.com/que-son-lasenergias-renovables/ Appel, J. (2020). Quickprop, una alternativa a la propagación hacia atrás. Obtenido de https://towardsdatascience.com/quickprop-an-alternative-to-back-propagation-d9a78069e2a7 Avendaño, D. E. (2011). APLICACIÓN DE MODELOS NO LINEALES CON VARIABLE DEPENDIENTE LIMITADA (LOGIT, PROBIT) EN GRETL. Unidad de Informática y Comunicaciones de la Universidad Nacional. Banco Mundial. (2017, Octubre 20). Importancia de las energías limpias. Obtenido de https://www.bancomundial.org/es/news/feature/2017/10/30/la-importancia-de-las-energias limpias Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 307-327. Debnath, K. B. (2018). Renewable and Sustainable Energy Reviews. Elsevier. Enerdata. (2020). Anuario estadístico mundial de energía 2020. Franses, P. H. (2000). Non-Linear Time Series Models in Empirical Finance. Cambridge: Cambridge University Press. Gutierrez, J. C. (2012). La correcta utilización de los promedios. Revista Universitaria Eafit, 80. Gutierrez, J. C. (2012). La variación y su significado. Revista universitaria Eafit, 94. Hernández, S. (2015). Análisis de Series de Tiempo. Ciudad de México. Hosmer, D. W., & Lemeshow, S. (2000). Applied Logistic Regression. John Wiley & Sons, Inc. Jakaša, T., Andročec, I., & Sprčić, P. (2011). Electricity price forecasting — ARIMA model approach. 2011 8th International Conference on the European Energy Market (EEM). Kaytez, F., Taplamacioglu, M. C., Cam, E., & Hardalac, F. (2014). Forecasting electricity consumption: A comparison of regression. Elsevier, 432-434. López, N. E., & Camargo, S. A. (2009). Limitaciones del modelo lineal de probabilidad y alternativas de modelación microeconométrica . Temas de ciencia y tecnología, 4-6. Manchado, M. C. (2018). Predicción demanda eléctrica española. Universidad Complutense de Madrid, 7-10. Manchado, M. C. (2018). Predicción demanda eléctrica española. Implementación de redes neuronales recurrentes en python. Universidad Complutense de Madrid, 5-7. Matich, D. J. (2001). Redes Neuronales: Conceptos Básicos y. Universidad Tecnológica Nacional – Facultad Regional Rosario. Mauricio, J. A. (2007). Introducción al análisis de series temporales. Madrid: Universidad Complutense de Madrid. Moscote Florez, O. (2013). Elementos de estadística en riesgo financiero. Bogotá: USTA. Moscote, O. F., & Rincon, W. A. (2012). ModeloLogityProbit: un caso de aplicación. Comunicaciones en Estadística, 5(2). Muñoz, S. A. (2017). Pronóstico del precio de la energía en Colombia utilizando modelos ARIMA con IGARCH. Economía del Rosario. NYBERG, H. (2009, 12 30). Dynamic Probit Models and Financial. Obtenido de Wiley InterScience: (www.interscience.wiley.com Stock, J. H., & Watson, M. W. (2012). Introducción a la econometría. Pearson. Wooldridge, J. (2009). Introductory Econometrics: A modern approach. Cengage Learning.
dc.rights.*.fl_str_mv	Atribución-NoComercial-SinDerivadas 2.5 Colombia
dc.rights.uri.*.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rights.local.spa.fl_str_mv	Abierto (Texto Completo)
dc.rights.accessrights.none.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.none.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	Atribución-NoComercial-SinDerivadas 2.5 Colombia http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.coverage.campus.spa.fl_str_mv	CRAI-USTA Bogotá
dc.publisher.spa.fl_str_mv	Universidad Santo Tomás
dc.publisher.program.spa.fl_str_mv	Rregrado estadística
dc.publisher.faculty.spa.fl_str_mv	Facultad de estadística
institution	Universidad Santo Tomás
bitstream.url.fl_str_mv	https://repository.usta.edu.co/bitstream/11634/35374/1/2021JuanHuertas.pdf https://repository.usta.edu.co/bitstream/11634/35374/2/Carta_autorizacion_autoarchivo_autor_2021.pdf https://repository.usta.edu.co/bitstream/11634/35374/3/doc00086020210824144022.pdf https://repository.usta.edu.co/bitstream/11634/35374/4/license_rdf https://repository.usta.edu.co/bitstream/11634/35374/5/license.txt https://repository.usta.edu.co/bitstream/11634/35374/6/2021JuanHuertas.pdf.jpg https://repository.usta.edu.co/bitstream/11634/35374/7/Carta_autorizacion_autoarchivo_autor_2021.pdf.jpg https://repository.usta.edu.co/bitstream/11634/35374/8/doc00086020210824144022.pdf.jpg
bitstream.checksum.fl_str_mv	a44aeb90e296fda7bea477802d191532 51663d374bc93881d87931b9f939f7d0 60b6e6eee53e525b54af673e11de3bb3 217700a34da79ed616c2feb68d4c5e06 aedeaf396fcd827b537c73d23464fc27 976560b202197517030a860d7e1f6d1f 4487e03a66a764409f07c3d0ec1c1eba dab55157a1e3468d16fb110b701cea4a
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Universidad Santo Tomás
repository.mail.fl_str_mv	repositorio@usantotomas.edu.co
_version_	1782026385042178048
spelling	Rincon, William ArleyHuertas, Juan Sebastianhttps://scholar.google.es/citations?user=5z4hIPgAAAAJ&hl=eshttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000571776Universidad Santo Tomás2021-08-25T16:55:01Z2021-08-25T16:55:01Z2021-08-25Huertas, J.S.(2021). Pronóstico del precio de la energía en Colombia por medio de modelos GARCH y Redes Neuronales Recurrentes. Facultad de estadística. Universidad Santo Tomáshttp://hdl.handle.net/11634/35374reponame:Repositorio Institucional Universidad Santo Tomásinstname:Universidad Santo Tomásrepourl:https://repository.usta.edu.coEl precio de la energía es una variable con una alta volatilidad debido a la gran cantidad de factores influyentes que causan picos y variaciones fuertes en ciertos periodos, por esta razón se realizará un modelado del precio de la energía por medio de modelos utilizados frecuentemente para el tratamiento de series financieras como lo son los modelos GARCH que surgieron por la necesidad de trabajar series con heterocedasticidad condicional (Bollerslev, 1986). Además, se realiza la evaluación de predicción del modelo de redes neuronales recurrentes RNR (Manchado, 2018) con el fin de realizar una comparación para determinar cuál de las dos metodologías es la mejor para pronosticar el precio de la energía en Colombia.The price of energy is a variable with high volatility due to the large number of influencing factors that cause peaks and strong variations in certain periods, for this reason a model of the price of energy will be executed by means of models normally used for the treatment of financial series such as GARCH models that arose from the need to work series with conditional heteroskedasticity (Bollerslev, 1986). In addition, the prediction evaluation of the recurrent neural network model RNR (Manchado, 2018) is carried out in order to make a comparison to determine which of the two methodologies is the best to forecast the price of energy in Colombia.Profesional en estadísticahttp://unidadinvestigacion.usta.edu.coPregradoapplication/pdfspaUniversidad Santo TomásRregrado estadísticaFacultad de estadísticaAtribución-NoComercial-SinDerivadas 2.5 Colombiahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Pronóstico del precio de la energía en Colombia por medio de modelos GARCH y Redes Neuronales RecurrentesEnergyRecurrent neural networksGARCHAICBICARCHRedes neuronales (Computadores)VolatilidadEconomía de la EnergíaEnergíaRedes neuronales recurrentesGARCHARCHAICBICARCHTrabajo de gradoinfo:eu-repo/semantics/acceptedVersionFormación de Recurso Humano para la Ctel: Trabajo de grado de Pregradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisCRAI-USTA BogotáACER. (2020). ACER: Energías Renovables. Obtenido de https://www.asorenovables.com/que-son-lasenergias-renovables/Appel, J. (2020). Quickprop, una alternativa a la propagación hacia atrás. Obtenido de https://towardsdatascience.com/quickprop-an-alternative-to-back-propagation-d9a78069e2a7Avendaño, D. E. (2011). APLICACIÓN DE MODELOS NO LINEALES CON VARIABLE DEPENDIENTE LIMITADA (LOGIT, PROBIT) EN GRETL. Unidad de Informática y Comunicaciones de la Universidad Nacional.Banco Mundial. (2017, Octubre 20). Importancia de las energías limpias. Obtenido de https://www.bancomundial.org/es/news/feature/2017/10/30/la-importancia-de-las-energias limpiasBollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 307-327.Debnath, K. B. (2018). Renewable and Sustainable Energy Reviews. Elsevier.Enerdata. (2020). Anuario estadístico mundial de energía 2020.Franses, P. H. (2000). Non-Linear Time Series Models in Empirical Finance. Cambridge: Cambridge University Press.Gutierrez, J. C. (2012). La correcta utilización de los promedios. Revista Universitaria Eafit, 80.Gutierrez, J. C. (2012). La variación y su significado. Revista universitaria Eafit, 94.Hernández, S. (2015). Análisis de Series de Tiempo. Ciudad de México.Hosmer, D. W., & Lemeshow, S. (2000). Applied Logistic Regression. John Wiley & Sons, Inc.Jakaša, T., Andročec, I., & Sprčić, P. (2011). Electricity price forecasting — ARIMA model approach. 2011 8th International Conference on the European Energy Market (EEM).Kaytez, F., Taplamacioglu, M. C., Cam, E., & Hardalac, F. (2014). Forecasting electricity consumption: A comparison of regression. Elsevier, 432-434.López, N. E., & Camargo, S. A. (2009). Limitaciones del modelo lineal de probabilidad y alternativas de modelación microeconométrica . Temas de ciencia y tecnología, 4-6.Manchado, M. C. (2018). Predicción demanda eléctrica española. Universidad Complutense de Madrid, 7-10.Manchado, M. C. (2018). Predicción demanda eléctrica española. Implementación de redes neuronales recurrentes en python. Universidad Complutense de Madrid, 5-7.Matich, D. J. (2001). Redes Neuronales: Conceptos Básicos y. Universidad Tecnológica Nacional – Facultad Regional Rosario.Mauricio, J. A. (2007). Introducción al análisis de series temporales. Madrid: Universidad Complutense de Madrid.Moscote Florez, O. (2013). Elementos de estadística en riesgo financiero. Bogotá: USTA.Moscote, O. F., & Rincon, W. A. (2012). ModeloLogityProbit: un caso de aplicación. Comunicaciones en Estadística, 5(2).Muñoz, S. A. (2017). Pronóstico del precio de la energía en Colombia utilizando modelos ARIMA con IGARCH. Economía del Rosario.NYBERG, H. (2009, 12 30). Dynamic Probit Models and Financial. Obtenido de Wiley InterScience: (www.interscience.wiley.comStock, J. H., & Watson, M. W. (2012). Introducción a la econometría. Pearson.Wooldridge, J. (2009). Introductory Econometrics: A modern approach. Cengage Learning.ORIGINAL2021JuanHuertas.pdf2021JuanHuertas.pdfTrabajo de gradoapplication/pdf663435https://repository.usta.edu.co/bitstream/11634/35374/1/2021JuanHuertas.pdfa44aeb90e296fda7bea477802d191532MD51open accessCarta_autorizacion_autoarchivo_autor_2021.pdfCarta_autorizacion_autoarchivo_autor_2021.pdfCarta derechos de autorapplication/pdf907882https://repository.usta.edu.co/bitstream/11634/35374/2/Carta_autorizacion_autoarchivo_autor_2021.pdf51663d374bc93881d87931b9f939f7d0MD52metadata only accessdoc00086020210824144022.pdfdoc00086020210824144022.pdfCarta de Facultadapplication/pdf17056https://repository.usta.edu.co/bitstream/11634/35374/3/doc00086020210824144022.pdf60b6e6eee53e525b54af673e11de3bb3MD53metadata only accessCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repository.usta.edu.co/bitstream/11634/35374/4/license_rdf217700a34da79ed616c2feb68d4c5e06MD54open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8807https://repository.usta.edu.co/bitstream/11634/35374/5/license.txtaedeaf396fcd827b537c73d23464fc27MD55open accessTHUMBNAIL2021JuanHuertas.pdf.jpg2021JuanHuertas.pdf.jpgIM Thumbnailimage/jpeg5998https://repository.usta.edu.co/bitstream/11634/35374/6/2021JuanHuertas.pdf.jpg976560b202197517030a860d7e1f6d1fMD56open accessCarta_autorizacion_autoarchivo_autor_2021.pdf.jpgCarta_autorizacion_autoarchivo_autor_2021.pdf.jpgIM Thumbnailimage/jpeg7745https://repository.usta.edu.co/bitstream/11634/35374/7/Carta_autorizacion_autoarchivo_autor_2021.pdf.jpg4487e03a66a764409f07c3d0ec1c1ebaMD57open accessdoc00086020210824144022.pdf.jpgdoc00086020210824144022.pdf.jpgIM Thumbnailimage/jpeg6573https://repository.usta.edu.co/bitstream/11634/35374/8/doc00086020210824144022.pdf.jpgdab55157a1e3468d16fb110b701cea4aMD58open access11634/35374oai:repository.usta.edu.co:11634/353742022-12-29 03:15:36.055open accessRepositorio Universidad Santo Tomásrepositorio@usantotomas.edu.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

Pronóstico del precio de la energía en Colombia por medio de modelos GARCH y Redes Neuronales Recurrentes

Publicaciones similares