Desarrollo de un modelo predictivo para la fluctuación del precio del oro utilizando mecanismos de machine learning

• Autor: Manosalva Horna, Heyler Gustavo
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional de Cajamarca
• Repositorio: UNC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unc.edu.pe:20.500.14074/7790
• Enlace del recurso: http://hdl.handle.net/20.500.14074/7790
• Nivel de acceso: acceso abierto
• Materia: Inteligencia artificial; aprendizaje automático; modelo predictivo; precio del oro; hiperparámetros; https://purl.org/pe-repo/ocde/ford#2.07.05

La sostenibilidad y rentabilidad de un proyecto minero está fuertemente influenciada por el precio metales, como el oro. Aunque el aprendizaje automático, un subcampo de la inteligencia artificial, puede facilitar el pronóstico de estos precios, la mayoría de las compañías mineras no lo utilizan, principalmente por falta de conocimiento y porque su implementación puede ser costosa en algunos casos. El principal objetivo es desarrollar un modelo predictivo para la fluctuación del precio del oro utilizando mecanismos de machine learning. Para esto se empleó una metodología aplicada, exploratoria, correlacional y descriptiva, con un diseño no experimental-transversal y un enfoque cuantitativo. Se estructuró una base de datos desde enero de 2012 a diciembre de 2022, considerando variables que influyen y se relacionan con el precio del oro. Luego, se dividieron los datos en dos subconjuntos: el 85% para el entrenamiento de los algoritmos y el 15% para evaluar su rendimiento. Las pruebas mostraron que el SVR con un kernel radial fue el algoritmo más preciso, logrando un MAE = 6.20, RMSE = 8.37, MSE = 70.01 y R² = 0.99 en la fase de prueba. Los pasos más importantes que permitieron desarrollar un buen modelo predictivo fueron: el ajuste adecuado de los hiperparámetros y la selección de variables más relevantes.