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...
- 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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 |