Análisis comparativo de algoritmos de aprendizaje automático para la predicción del precio de los minerales en la Bolsa Valores de New York, 2024

• Autor: Jimenez Falcon, Josue Brayan
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad José Carlos Mariátegui
• Repositorio: UJCM-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ujcm.edu.pe:20.500.12819/3461
• Enlace del recurso: https://hdl.handle.net/20.500.12819/3461
• Nivel de acceso: acceso abierto
• Materia: Algoritmos; Aprendizaje automático; Bolsa de valores; http://purl.org/pe-repo/ocde/ford#2.02.04

Objetivo: Determinar el algoritmo de aprendizaje automático con mayor tasa de éxito para la predicción del precio de los minerales en la Bolsa de Valores de Nueva York en 2024. Metodología: Se utilizó la metodología CRISP-DM, estructurando el proceso en fases de comprensión del negocio, comprensión de los datos, preparación de los datos, modelado, evaluación y despliegue. Se evaluaron diversos algoritmos de aprendizaje automático incluyendo regresión lineal, árbol de decisión, Random Forest, K-Nearest Neighbors, SVR y Gradient Boosting. Las métricas de rendimiento utilizadas fueron MAE, RMSE, R2 y exactitud dentro de una tolerancia del 5%. Resultados: La regresión lineal mostró el mejor rendimiento con un coeficiente de determinación (R²) de 0,999933 y una exactitud del 100 % dentro del nivel de significancia del 5 %. El Gradient Boosting también tuvo un buen desempeño con un coeficiente de determinación (R²) de 0,999794 y una exactitud del 96 %. Otros algoritmos, como el SVR, presentaron un rendimiento significativamente inferior, con un coeficiente de determinación (R²) de 0,880326 y una exactitud del 12,24 %. Conclusión: Los algoritmos de regresión lineal y Gradient Boosting se destacaron como las mejores opciones para la predicción precisa del precio de los minerales en la Bolsa de Valores de Nueva York en 2024.