Por favor, use este identificador para citar o enlazar este ítem:
http://www.dspace.espol.edu.ec/handle/123456789/51718
Título : | Pronostico del precio del oro por medio de modelos autoregresivos integrados de promedio movil, modelos relacionales y concepto de machine learnig. |
Autor : | Ordoñez Mejía, Mario Ernesto García Bustos, Sandra, Directora |
Palabras clave : | Precio del oro Modelos autoregresivos Integrados promedio movil Machine learning |
Fecha de publicación : | 2020 |
Editorial : | ESPOL. FCNM |
Citación : | Ordoñez, M. (2020). Pronostico del precio del oro por medio de modelos autoregresivos integrados de promedio movil, modelos relacionales y concepto de machine learnig.[Tesis de maestría]. Escuela Superior Politécnica del Litoral. |
Resumen : | La cantidad da data generada y almacenada en estos tiempos, nos pone ante el desafío de poder realizar un manejo de la información pudiendo modelizar tendencias y patrones para poder tomar decisiones más acertadas en cada uno de los campos en los que podamos desenvolvernos. Hemos tomado como caso de ejemplo el desarrollo del precio del oro a través de la historia teniendo una base de datos registrada desde finales del año 1968 con registros diarios de acuerdo con los horarios de apertura de los mercados internacionales. Esta data fue recopilada, luego ordenada, agrupándola en datos promedio mensuales y obtener información tendencial de precios y probablemente tener un análisis de trabajos posteriores más realista. Estos datos fueron trabajados usando tres tipos de metodología clásica como son los modelos autorregresivos integrados de promedios móviles (ARIMA), un modelo relacional considerando variables macroeconómicas externas y establecer las relaciones con el precio del oro y por último se ejemplificará un modelo de redes neuronales artificiales, LSTM. La cantidad de data disponible es de gran importancia para la selectividad de la metodología a usarse, fue posible constatar que un modelo ARIMA presento las medidas de error más bajas que las obtenidas por las redes neuronales (AI) esto debido a que las redes neuronales están diseñadas para trabajar con grandes cantidades de data, las redes neuronales tiene factores que pueden ser modificados e influyen en el error medido del modelo y por ultimo los tiempos y capacidades computacionales que estos métodos necesitan son mucho más altas que las que normalmente uno tiene en su hogar por medio de su computador , es decir, existen equipos computacionales diseñados especialmente para el manejo de altas cantidades de data y realización de modelos de machine learning o redes neuronales artificiales. |
URI : | http://www.dspace.espol.edu.ec/handle/123456789/51718 |
Aparece en las colecciones: | Tesis de Maestría en Logística y transporte con Mención en Modelos de Optimización |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
T-110170.pdf | 1.95 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.