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
id UDEA2_a85ae926e37bc9755ceaad5b11bedc7e
oai_identifier_str oai:bibliotecadigital.udea.edu.co:10495/25468
network_acronym_str UDEA2
network_name_str Repositorio UdeA
repository_id_str
dc.title.spa.fl_str_mv Pronóstico del precio del petróleo mediante redes neuronales artificiales
dc.title.alternative.spa.fl_str_mv Oil price forecast using artificial neural networks
title Pronóstico del precio del petróleo mediante redes neuronales artificiales
spellingShingle Pronóstico del precio del petróleo mediante redes neuronales artificiales
Redes neurales (computadores)
Neural networks (Computer science)
Mercados petroleros
Petroleum markets
Petróleo-precios
Petroleum - Prices
title_short Pronóstico del precio del petróleo mediante redes neuronales artificiales
title_full Pronóstico del precio del petróleo mediante redes neuronales artificiales
title_fullStr Pronóstico del precio del petróleo mediante redes neuronales artificiales
title_full_unstemmed Pronóstico del precio del petróleo mediante redes neuronales artificiales
title_sort Pronóstico del precio del petróleo mediante redes neuronales artificiales
dc.creator.fl_str_mv Villada Duque, Fernando
Arroyave, Wilmer Daniel
Villada Henao, Melissa
dc.contributor.author.none.fl_str_mv Villada Duque, Fernando
Arroyave, Wilmer Daniel
Villada Henao, Melissa
dc.subject.lemb.none.fl_str_mv Redes neurales (computadores)
Neural networks (Computer science)
Mercados petroleros
Petroleum markets
Petróleo-precios
Petroleum - Prices
topic Redes neurales (computadores)
Neural networks (Computer science)
Mercados petroleros
Petroleum markets
Petróleo-precios
Petroleum - Prices
description 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.
publishDate 2014
dc.date.issued.none.fl_str_mv 2014
dc.date.accessioned.none.fl_str_mv 2022-01-21T20:12:45Z
dc.date.available.none.fl_str_mv 2022-01-21T20:12:45Z
dc.type.spa.fl_str_mv info:eu-repo/semantics/article
dc.type.coarversion.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.hasversion.spa.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.coar.spa.fl_str_mv http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.redcol.spa.fl_str_mv https://purl.org/redcol/resource_type/ART
dc.type.local.spa.fl_str_mv Artículo de investigación
format http://purl.org/coar/resource_type/c_2df8fbb1
status_str publishedVersion
dc.identifier.issn.none.fl_str_mv 0716-8756
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/10495/25468
dc.identifier.doi.none.fl_str_mv 10.4067/S0718-07642014000300017
dc.identifier.eissn.none.fl_str_mv 0718-0764
identifier_str_mv 0716-8756
10.4067/S0718-07642014000300017
0718-0764
url http://hdl.handle.net/10495/25468
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.ispartofjournalabbrev.spa.fl_str_mv Inf. tecnol.
dc.rights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.accessrights.spa.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons.spa.fl_str_mv Derechos reservados - Está prohibida la reproducción parcial o total de esta publicación
eu_rights_str_mv openAccess
rights_invalid_str_mv http://purl.org/coar/access_right/c_abf2
Derechos reservados - Está prohibida la reproducción parcial o total de esta publicación
dc.format.extent.spa.fl_str_mv 10
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.publisher.spa.fl_str_mv Centro de Información Tecnológica
dc.publisher.group.spa.fl_str_mv Grupo de Manejo Eficiente de la Energía (GIMEL)
dc.publisher.place.spa.fl_str_mv La Serena, Chile
institution Universidad de Antioquia
bitstream.url.fl_str_mv http://bibliotecadigital.udea.edu.co/bitstream/10495/25468/1/VilladaFernando_2014_PronosticoPrecioPetroleo.pdf
http://bibliotecadigital.udea.edu.co/bitstream/10495/25468/2/license.txt
bitstream.checksum.fl_str_mv bf45e6921671c09b0725259c6671f2b2
8a4605be74aa9ea9d79846c1fba20a33
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad de Antioquia
repository.mail.fl_str_mv andres.perez@udea.edu.co
_version_ 1812173191438663680
spelling Villada Duque, FernandoArroyave, Wilmer DanielVillada Henao, Melissa2022-01-21T20:12:45Z2022-01-21T20:12:45Z20140716-8756http://hdl.handle.net/10495/2546810.4067/S0718-076420140003000170718-0764RESUMEN: 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.ABSTRACT: An artificial neural network model to forecast oil international price is proposed in this work. To develop the model, price data taken from the literature for the WTI reference oil (West Texas Intermediate) traded mainly in New York Mercantile Exchange are used. Four network structures, including the daily price series in the first one, the price series plus the dollar index DXY in the second one, the price series plus the S&P500 index in the third one and the price series plus the DXY and S&P500 indexes in the fourth one are used. Different neural networks configurations are analyzed using a series of six months, where data for five months are used for training patterns and the next month is left for testing the predictive capabilities of the model. The effect of including investors risk aversion using the DXY and S&P500 indexes as alternative input patterns is also analyzed. The results show good performance of the neural networks both during learning and prediction.COL001047710application/pdfspaCentro de Información TecnológicaGrupo de Manejo Eficiente de la Energía (GIMEL)La Serena, Chileinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/articlehttp://purl.org/coar/resource_type/c_2df8fbb1https://purl.org/redcol/resource_type/ARTArtículo de investigaciónhttp://purl.org/coar/version/c_970fb48d4fbd8a85info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Derechos reservados - Está prohibida la reproducción parcial o total de esta publicaciónPronóstico del precio del petróleo mediante redes neuronales artificialesOil price forecast using artificial neural networksRedes neurales (computadores)Neural networks (Computer science)Mercados petrolerosPetroleum marketsPetróleo-preciosPetroleum - PricesInf. tecnol.Información Tecnológica145154253ORIGINALVilladaFernando_2014_PronosticoPrecioPetroleo.pdfVilladaFernando_2014_PronosticoPrecioPetroleo.pdfArtículo de investigaciónapplication/pdf276225http://bibliotecadigital.udea.edu.co/bitstream/10495/25468/1/VilladaFernando_2014_PronosticoPrecioPetroleo.pdfbf45e6921671c09b0725259c6671f2b2MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748http://bibliotecadigital.udea.edu.co/bitstream/10495/25468/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD5210495/25468oai:bibliotecadigital.udea.edu.co:10495/254682022-01-21 15:12:45.85Repositorio Institucional Universidad de Antioquiaandres.perez@udea.edu.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