Modelo double exponential smoothing para pronosticar saldos diarios de algunos productos en BBVA

En el contexto financiero, la precisión en la predicción de saldos es crucial para la toma de decisiones estratégicas y operativas. Este trabajo de grado se enfoca en la aplicación del modelo Double Exponential Smoothing (DES) como una herramienta eficaz para la predicción de saldos diarios de produ...

Full description

Autores:
Cortes Acosta, Michael Steven
Tipo de recurso:
Fecha de publicación:
2024
Institución:
Universidad Distrital Francisco José de Caldas
Repositorio:
RIUD: repositorio U. Distrital
Idioma:
OAI Identifier:
oai:repository.udistrital.edu.co:11349/94215
Acceso en línea:
http://hdl.handle.net/11349/94215
Palabra clave:
Suavización Exponencial Doble
Series de tiempo
Intervalos de confianza
Bootstraping
Valores atípicos
Matemáticas -- Tesis y disertaciones académicas
Finanzas
Planificación financiera
Modelos matemáticos
Estadística -- Análisis de datos
Double exponential smoothing
Time series
Confidence interval
Bootstraping
Outliers
Rights
License
Abierto (Texto Completo)
id UDISTRITA2_5b2ee91d756f6fb4253e42126777d7c4
oai_identifier_str oai:repository.udistrital.edu.co:11349/94215
network_acronym_str UDISTRITA2
network_name_str RIUD: repositorio U. Distrital
repository_id_str
dc.title.none.fl_str_mv Modelo double exponential smoothing para pronosticar saldos diarios de algunos productos en BBVA
dc.title.titleenglish.none.fl_str_mv Double exponential smoothing model to forecast daily balances of some products at BBVA
title Modelo double exponential smoothing para pronosticar saldos diarios de algunos productos en BBVA
spellingShingle Modelo double exponential smoothing para pronosticar saldos diarios de algunos productos en BBVA
Suavización Exponencial Doble
Series de tiempo
Intervalos de confianza
Bootstraping
Valores atípicos
Matemáticas -- Tesis y disertaciones académicas
Finanzas
Planificación financiera
Modelos matemáticos
Estadística -- Análisis de datos
Double exponential smoothing
Time series
Confidence interval
Bootstraping
Outliers
title_short Modelo double exponential smoothing para pronosticar saldos diarios de algunos productos en BBVA
title_full Modelo double exponential smoothing para pronosticar saldos diarios de algunos productos en BBVA
title_fullStr Modelo double exponential smoothing para pronosticar saldos diarios de algunos productos en BBVA
title_full_unstemmed Modelo double exponential smoothing para pronosticar saldos diarios de algunos productos en BBVA
title_sort Modelo double exponential smoothing para pronosticar saldos diarios de algunos productos en BBVA
dc.creator.fl_str_mv Cortes Acosta, Michael Steven
dc.contributor.advisor.none.fl_str_mv Villarraga Poveda , Luis Fernando
dc.contributor.author.none.fl_str_mv Cortes Acosta, Michael Steven
dc.subject.none.fl_str_mv Suavización Exponencial Doble
Series de tiempo
Intervalos de confianza
Bootstraping
Valores atípicos
topic Suavización Exponencial Doble
Series de tiempo
Intervalos de confianza
Bootstraping
Valores atípicos
Matemáticas -- Tesis y disertaciones académicas
Finanzas
Planificación financiera
Modelos matemáticos
Estadística -- Análisis de datos
Double exponential smoothing
Time series
Confidence interval
Bootstraping
Outliers
dc.subject.lemb.none.fl_str_mv Matemáticas -- Tesis y disertaciones académicas
Finanzas
Planificación financiera
Modelos matemáticos
Estadística -- Análisis de datos
dc.subject.keyword.none.fl_str_mv Double exponential smoothing
Time series
Confidence interval
Bootstraping
Outliers
description En el contexto financiero, la precisión en la predicción de saldos es crucial para la toma de decisiones estratégicas y operativas. Este trabajo de grado se enfoca en la aplicación del modelo Double Exponential Smoothing (DES) como una herramienta eficaz para la predicción de saldos diarios de productos seleccionados en BBVA. El proyecto se desarrolló en varias etapas. Primero, se llevó a cabo una construcción y arreglos en la base de los datos históricos de saldos diarios, identificando la estructura a trabajar en nuestros pronósticos. A partir de esta construcción, se seleccionó el modelo double exponential smoothing debido a su capacidad para manejar datos con tendencias lineales y su simplicidad computacional. Finalmente, se observa el rendimiento del modelo y se construyen intervalos de confianza al combinar el bootstrap y la distribución normal estándar.
publishDate 2024
dc.date.created.none.fl_str_mv 2024-11-20
dc.date.accessioned.none.fl_str_mv 2025-03-26T22:00:31Z
dc.date.available.none.fl_str_mv 2025-03-26T22:00:31Z
dc.type.none.fl_str_mv bachelorThesis
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.degree.none.fl_str_mv Pasantía
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/11349/94215
url http://hdl.handle.net/11349/94215
dc.relation.references.none.fl_str_mv J. G. Moreno Castellanos, «Método de detección temprana de outliers,» 2012.
J. A. Mauricio, «Análisis de series temporales,» Universidad Complutence de Madrid, 2007.
E. Ostertagová y O. Ostertag, «Modelling of Mechanical and Mechatronic systems,» en The 4th International conference, 2011, págs. 1-77
J. E. Hanke y D. W. Wichern, Pronósticos en los negocios. Novena Edición. México: Pearson Educación, 2010
C. C. Holt, «Forecasting seasonals and trends by exponentially weighted moving averages,» International journal of forecasting, vol. 20, n.o 1, págs. 5-10, 2004
J. Belio Miranda y A. C. Cebrin Guajardo, «Metodos Bootstrap y sus aplicaciones
D. D. Wackerly, W. Mendenhall y R. L. Scheaffer, Mathematical statistics with applications. Thomson Brooks/Cole Belmont, CA, 2008, vol. 7
J. Han, M. Kamber y J. Pei, «Data Mining Concepts and Techniques. Waltham: Elsevier,» Walth. Elsevier, 2012
W. McKinney, Python for data analysis: Data wrangling with Pandas, NumPy, and IPython. . O’Reilly Media, Inc.", 2012
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.acceso.none.fl_str_mv Abierto (Texto Completo)
rights_invalid_str_mv Abierto (Texto Completo)
http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.none.fl_str_mv pdf
institution Universidad Distrital Francisco José de Caldas
bitstream.url.fl_str_mv https://repository.udistrital.edu.co/bitstreams/4c227a7a-41a4-49f0-9f41-db1facfc18e1/download
https://repository.udistrital.edu.co/bitstreams/1df2c67e-f4ba-4ec1-97a7-380858179f20/download
https://repository.udistrital.edu.co/bitstreams/b243ea25-023f-45f4-8812-7be668ce47ec/download
https://repository.udistrital.edu.co/bitstreams/94293ead-b5b7-4371-9253-eec246601cd6/download
https://repository.udistrital.edu.co/bitstreams/de2f23b6-f40b-4b82-9a42-3ef49fe01d26/download
bitstream.checksum.fl_str_mv d085d3734f299f15dd4e830ca560d578
903d550d5da39a40cc503be245b58983
997daf6c648c962d566d7b082dac908d
7d544f03e33144b4ea962151f6825f4f
395cad45b033327823240aa586484627
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Universidad Distrital
repository.mail.fl_str_mv repositorio@udistrital.edu.co
_version_ 1828164800585138176
spelling Villarraga Poveda , Luis FernandoCortes Acosta, Michael Steven2025-03-26T22:00:31Z2025-03-26T22:00:31Z2024-11-20http://hdl.handle.net/11349/94215En el contexto financiero, la precisión en la predicción de saldos es crucial para la toma de decisiones estratégicas y operativas. Este trabajo de grado se enfoca en la aplicación del modelo Double Exponential Smoothing (DES) como una herramienta eficaz para la predicción de saldos diarios de productos seleccionados en BBVA. El proyecto se desarrolló en varias etapas. Primero, se llevó a cabo una construcción y arreglos en la base de los datos históricos de saldos diarios, identificando la estructura a trabajar en nuestros pronósticos. A partir de esta construcción, se seleccionó el modelo double exponential smoothing debido a su capacidad para manejar datos con tendencias lineales y su simplicidad computacional. Finalmente, se observa el rendimiento del modelo y se construyen intervalos de confianza al combinar el bootstrap y la distribución normal estándar.In the financial context, accurate balance forecasting is crucial for strategic and operational decision-making. This thesis focuses on the application of the Double Exponential Smoothing (DES) model as an effective tool for predicting daily balances for selected products at BBVA. The project was developed in several stages. First, a construction and adjustment process was carried out based on historical daily balance data, identifying the structure to be used in our forecasts. Based on this construction, the double exponential smoothing model was selected due to its ability to handle data with linear trends and its computational simplicity. Finally, the model's performance is observed and confidence intervals are constructed by combining the bootstrap and standard normal distributions.pdfSuavización Exponencial DobleSeries de tiempoIntervalos de confianzaBootstrapingValores atípicosMatemáticas -- Tesis y disertaciones académicasFinanzasPlanificación financieraModelos matemáticosEstadística -- Análisis de datosDouble exponential smoothingTime seriesConfidence intervalBootstrapingOutliersModelo double exponential smoothing para pronosticar saldos diarios de algunos productos en BBVADouble exponential smoothing model to forecast daily balances of some products at BBVAbachelorThesisPasantíahttp://purl.org/coar/resource_type/c_7a1fAbierto (Texto Completo)http://purl.org/coar/access_right/c_abf2J. G. Moreno Castellanos, «Método de detección temprana de outliers,» 2012.J. A. Mauricio, «Análisis de series temporales,» Universidad Complutence de Madrid, 2007.E. Ostertagová y O. Ostertag, «Modelling of Mechanical and Mechatronic systems,» en The 4th International conference, 2011, págs. 1-77J. E. Hanke y D. W. Wichern, Pronósticos en los negocios. Novena Edición. México: Pearson Educación, 2010C. C. Holt, «Forecasting seasonals and trends by exponentially weighted moving averages,» International journal of forecasting, vol. 20, n.o 1, págs. 5-10, 2004J. Belio Miranda y A. C. Cebrin Guajardo, «Metodos Bootstrap y sus aplicacionesD. D. Wackerly, W. Mendenhall y R. L. Scheaffer, Mathematical statistics with applications. Thomson Brooks/Cole Belmont, CA, 2008, vol. 7J. Han, M. Kamber y J. Pei, «Data Mining Concepts and Techniques. Waltham: Elsevier,» Walth. Elsevier, 2012W. McKinney, Python for data analysis: Data wrangling with Pandas, NumPy, and IPython. . O’Reilly Media, Inc.", 2012ORIGINALCortesAcostaMichaelSteven2025.pdfCortesAcostaMichaelSteven2025.pdfapplication/pdf868493https://repository.udistrital.edu.co/bitstreams/4c227a7a-41a4-49f0-9f41-db1facfc18e1/downloadd085d3734f299f15dd4e830ca560d578MD51Licencia de uso y autorizaciónLicencia de uso y autorizaciónapplication/pdf321181https://repository.udistrital.edu.co/bitstreams/1df2c67e-f4ba-4ec1-97a7-380858179f20/download903d550d5da39a40cc503be245b58983MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-87167https://repository.udistrital.edu.co/bitstreams/b243ea25-023f-45f4-8812-7be668ce47ec/download997daf6c648c962d566d7b082dac908dMD53THUMBNAILCortesAcostaMichaelSteven2025.pdf.jpgCortesAcostaMichaelSteven2025.pdf.jpgIM Thumbnailimage/jpeg6886https://repository.udistrital.edu.co/bitstreams/94293ead-b5b7-4371-9253-eec246601cd6/download7d544f03e33144b4ea962151f6825f4fMD54Licencia de uso y autorización.jpgLicencia de uso y autorización.jpgIM Thumbnailimage/jpeg12282https://repository.udistrital.edu.co/bitstreams/de2f23b6-f40b-4b82-9a42-3ef49fe01d26/download395cad45b033327823240aa586484627MD5511349/94215oai:repository.udistrital.edu.co:11349/942152025-03-27 01:01:57.691open.accesshttps://repository.udistrital.edu.coRepositorio Universidad Distritalrepositorio@udistrital.edu.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