Pronóstico del precio del petróleo mediante redes neuronales artificiales

RESUMEN: Este trabajo propone un modelo basado en redes neuronales artificiales para el pronóstico del precio internacional del petróleo. Para el desarrollo del modelo se usan datos de precios de la literatura para el petróleo de referencia WTI (West Texas Intermediate) transado principalmente en la...

Full description

Autores:
Villada Duque, Fernando
Arroyave, Wilmer Daniel
Villada Henao, Melissa
Tipo de recurso:
Article of investigation
Fecha de publicación:
2014
Institución:
Universidad de Antioquia
Repositorio:
Repositorio UdeA
Idioma:
spa
OAI Identifier:
oai:bibliotecadigital.udea.edu.co:10495/25468
Acceso en línea:
http://hdl.handle.net/10495/25468
Palabra clave:
Redes neurales (computadores)
Neural networks (Computer science)
Mercados petroleros
Petroleum markets
Petróleo-precios
Petroleum - Prices
Rights
openAccess
License
http://purl.org/coar/access_right/c_abf2
Description
Summary:RESUMEN: Este trabajo propone un modelo basado en redes neuronales artificiales para el pronóstico del precio internacional del petróleo. Para el desarrollo del modelo se usan datos de precios de la literatura para el petróleo de referencia WTI (West Texas Intermediate) transado principalmente en la Bolsa Mercantil de Nueva York. Se utilizan cuatro estructuras de redes incluyendo como entradas la serie de precios diarios en la primera, la serie de precios más el índice del dólar estadounidense DXY en la segunda, la serie de precios más el índice S&P500 en la tercera y la serie de precios más los índices DXY y S&P500 en la cuarta. Se prueban diferentes configuraciones de redes neuronales utilizando una serie de seis meses, donde los datos de los primeros cinco se utilizan para entrenamiento dejando el último mes para verificar las capacidades predictivas del modelo. Se analiza también el efecto de incluir el grado de aversión al riesgo de los inversionistas por medio de los índices DXY y S&P500 como variables adicionales de entrada. Los resultados muestran un buen comportamiento de las redes neuronales con bajos errores en aprendizaje y en predicción.