Pronóstico del precio de cobre utilizando técnicas de aprendizaje profundo

Descripción del Articulo

Pronosticar los precios futuros de cobre es una tarea desafiante dadas las características dinámicas y no lineales de varios factores que afectan el precio del cobre. Este artículo describe modelos de pronóstico, basados en arquitecturas de redes neuronales, para predecir los retornos del precio de...

Descripción completa

Detalles Bibliográficos
Autor: Carhuas Ñañez, Milton Cesar
Formato: tesis de maestría
Fecha de Publicación:2022
Institución:Pontificia Universidad Católica del Perú
Repositorio:PUCP-Institucional
Lenguaje:inglés
OAI Identifier:oai:repositorio.pucp.edu.pe:20.500.14657/190470
Enlace del recurso:http://hdl.handle.net/20.500.12404/24440
Nivel de acceso:acceso abierto
Materia:Aprendizaje profundo
Redes neuronales (Computación)
Cobre
https://purl.org/pe-repo/ocde/ford#1.02.00
id RPUC_e4e48b06ed42d21d30bdf5cc7f87ac09
oai_identifier_str oai:repositorio.pucp.edu.pe:20.500.14657/190470
network_acronym_str RPUC
network_name_str PUCP-Institucional
repository_id_str 2905
spelling Villanueva Talavera, Edwin RafaelCarhuas Ñañez, Milton Cesar2023-03-06T21:55:33Z2023-03-06T21:55:33Z20222023-03-06http://hdl.handle.net/20.500.12404/24440Pronosticar los precios futuros de cobre es una tarea desafiante dadas las características dinámicas y no lineales de varios factores que afectan el precio del cobre. Este artículo describe modelos de pronóstico, basados en arquitecturas de redes neuronales, para predecir los retornos del precio de cobre en tres horizontes de tiempo: un día, una semana y un mes adelante. Diversas variables se consideran como variables de entrada, como los precios históricos de diferentes materias primas metálicas y variables macroeconómicas globales. Evaluamos los modelos con datos diarios de 2007 a 2020. Los resultados experimentales mostraron que los modelos de salida única presentan un mejor rendimiento predictivo que los modelos de salida múltiple. Las arquitecturas de mejor rendimiento fueron los modelos de memorias largas a corto plazo (LSTM) en datos de prueba.Forecasting the future prices of copper commodity is a challenging task given the dynamic and non-linear characteristics of various factors that affect the copper price. This article describes forecasting models, based on neural network architectures, to predict copper price returns at three time horizons: one-day, one-week, and onemonth ahead. Several variables are considered as input variables, like historical prices of different metallic commodities and global macroeconomic variables. We evaluated the models with daily data from 2007 to 2020. The experimental results showed that mono-output models present better predictive performance than multi-output models. The best-performing architectures were the Long Short-Term Memories (LSTM) models on test data.engPontificia Universidad Católica del PerúPEinfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/2.5/pe/Aprendizaje profundoRedes neuronales (Computación)Cobrehttps://purl.org/pe-repo/ocde/ford#1.02.00Pronóstico del precio de cobre utilizando técnicas de aprendizaje profundoinfo:eu-repo/semantics/masterThesisTesis de maestríareponame:PUCP-Institucionalinstname:Pontificia Universidad Católica del Perúinstacron:PUCPMaestro en Informática con mención en Ciencias de la ComputaciónMaestríaPontificia Universidad Católica del Perú. Escuela de Posgrado.Informática con mención en Ciencias de la Computación29714308https://orcid.org/0000-0002-6540-123043113983611087Beltran Castañon, Cesar ArmandoVillanueva Talavera, Edwin RafaelOlivares Poggi, Cesar Augustohttps://purl.org/pe-repo/renati/level#maestrohttps://purl.org/pe-repo/renati/type#trabajoDeInvestigacion20.500.14657/190470oai:repositorio.pucp.edu.pe:20.500.14657/1904702024-06-10 10:05:19.667http://creativecommons.org/licenses/by-nc-sa/2.5/pe/info:eu-repo/semantics/openAccessmetadata.onlyhttps://repositorio.pucp.edu.peRepositorio Institucional de la PUCPrepositorio@pucp.pe
dc.title.es_ES.fl_str_mv Pronóstico del precio de cobre utilizando técnicas de aprendizaje profundo
title Pronóstico del precio de cobre utilizando técnicas de aprendizaje profundo
spellingShingle Pronóstico del precio de cobre utilizando técnicas de aprendizaje profundo
Carhuas Ñañez, Milton Cesar
Aprendizaje profundo
Redes neuronales (Computación)
Cobre
https://purl.org/pe-repo/ocde/ford#1.02.00
title_short Pronóstico del precio de cobre utilizando técnicas de aprendizaje profundo
title_full Pronóstico del precio de cobre utilizando técnicas de aprendizaje profundo
title_fullStr Pronóstico del precio de cobre utilizando técnicas de aprendizaje profundo
title_full_unstemmed Pronóstico del precio de cobre utilizando técnicas de aprendizaje profundo
title_sort Pronóstico del precio de cobre utilizando técnicas de aprendizaje profundo
author Carhuas Ñañez, Milton Cesar
author_facet Carhuas Ñañez, Milton Cesar
author_role author
dc.contributor.advisor.fl_str_mv Villanueva Talavera, Edwin Rafael
dc.contributor.author.fl_str_mv Carhuas Ñañez, Milton Cesar
dc.subject.es_ES.fl_str_mv Aprendizaje profundo
Redes neuronales (Computación)
Cobre
topic Aprendizaje profundo
Redes neuronales (Computación)
Cobre
https://purl.org/pe-repo/ocde/ford#1.02.00
dc.subject.ocde.es_ES.fl_str_mv https://purl.org/pe-repo/ocde/ford#1.02.00
description Pronosticar los precios futuros de cobre es una tarea desafiante dadas las características dinámicas y no lineales de varios factores que afectan el precio del cobre. Este artículo describe modelos de pronóstico, basados en arquitecturas de redes neuronales, para predecir los retornos del precio de cobre en tres horizontes de tiempo: un día, una semana y un mes adelante. Diversas variables se consideran como variables de entrada, como los precios históricos de diferentes materias primas metálicas y variables macroeconómicas globales. Evaluamos los modelos con datos diarios de 2007 a 2020. Los resultados experimentales mostraron que los modelos de salida única presentan un mejor rendimiento predictivo que los modelos de salida múltiple. Las arquitecturas de mejor rendimiento fueron los modelos de memorias largas a corto plazo (LSTM) en datos de prueba.
publishDate 2022
dc.date.created.none.fl_str_mv 2022
dc.date.accessioned.none.fl_str_mv 2023-03-06T21:55:33Z
dc.date.available.none.fl_str_mv 2023-03-06T21:55:33Z
dc.date.issued.fl_str_mv 2023-03-06
dc.type.es_ES.fl_str_mv info:eu-repo/semantics/masterThesis
dc.type.other.none.fl_str_mv Tesis de maestría
format masterThesis
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/20.500.12404/24440
url http://hdl.handle.net/20.500.12404/24440
dc.language.iso.es_ES.fl_str_mv eng
language eng
dc.rights.es_ES.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-sa/2.5/pe/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/2.5/pe/
dc.publisher.es_ES.fl_str_mv Pontificia Universidad Católica del Perú
dc.publisher.country.es_ES.fl_str_mv PE
dc.source.none.fl_str_mv reponame:PUCP-Institucional
instname:Pontificia Universidad Católica del Perú
instacron:PUCP
instname_str Pontificia Universidad Católica del Perú
instacron_str PUCP
institution PUCP
reponame_str PUCP-Institucional
collection PUCP-Institucional
repository.name.fl_str_mv Repositorio Institucional de la PUCP
repository.mail.fl_str_mv repositorio@pucp.pe
_version_ 1835639633028841472
score 13.936249
Pronóstico del precio de cobre utilizando técnicas de aprendizaje profundo
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).

Ejemplares Similares