Metodología de Box Jenkins vs Redes Neuronales Artificiales para construir un modelo de pronóstico del precio de compra de cierre mensual de las acciones del Banco de Crédito del Perú en La Bolsa de Valores de Lima, abril de 2005 hasta febrero de 2018

Descripción del Articulo

La presente investigación tuvo por objetivo comparar dos metodologías: Box Jenkins y Redes Neuronales Artificiales para encontrar el mejor modelo de ajuste de la serie precio de compra de cierre mensual de las acciones del Banco de Crédito del Perú en la Bolsa de Valores de Lima, abril de 2005 hasta...

Descripción completa

Detalles Bibliográficos
Autores: Ayala Jacinto, Anderson Raúl, Samillán Vásquez, Cesar Jefferson
Formato: tesis de grado
Fecha de Publicación:2019
Institución:Universidad Nacional Pedro Ruiz Gallo
Repositorio:UNPRG-Institucional
Lenguaje:español
OAI Identifier:oai:repositorio.unprg.edu.pe:20.500.12893/5322
Enlace del recurso:https://hdl.handle.net/20.500.12893/5322
Nivel de acceso:acceso abierto
Materia:Algoritmo backpropagation
Análisis de series temporales
Pronosticos
http://purl.org/pe-repo/ocde/ford#1.01.03
id UPRG_c4d459412c751da10ae7d37dff2143eb
oai_identifier_str oai:repositorio.unprg.edu.pe:20.500.12893/5322
network_acronym_str UPRG
network_name_str UNPRG-Institucional
repository_id_str 9404
dc.title.es_PE.fl_str_mv Metodología de Box Jenkins vs Redes Neuronales Artificiales para construir un modelo de pronóstico del precio de compra de cierre mensual de las acciones del Banco de Crédito del Perú en La Bolsa de Valores de Lima, abril de 2005 hasta febrero de 2018
title Metodología de Box Jenkins vs Redes Neuronales Artificiales para construir un modelo de pronóstico del precio de compra de cierre mensual de las acciones del Banco de Crédito del Perú en La Bolsa de Valores de Lima, abril de 2005 hasta febrero de 2018
spellingShingle Metodología de Box Jenkins vs Redes Neuronales Artificiales para construir un modelo de pronóstico del precio de compra de cierre mensual de las acciones del Banco de Crédito del Perú en La Bolsa de Valores de Lima, abril de 2005 hasta febrero de 2018
Ayala Jacinto, Anderson Raúl
Algoritmo backpropagation
Análisis de series temporales
Pronosticos
http://purl.org/pe-repo/ocde/ford#1.01.03
title_short Metodología de Box Jenkins vs Redes Neuronales Artificiales para construir un modelo de pronóstico del precio de compra de cierre mensual de las acciones del Banco de Crédito del Perú en La Bolsa de Valores de Lima, abril de 2005 hasta febrero de 2018
title_full Metodología de Box Jenkins vs Redes Neuronales Artificiales para construir un modelo de pronóstico del precio de compra de cierre mensual de las acciones del Banco de Crédito del Perú en La Bolsa de Valores de Lima, abril de 2005 hasta febrero de 2018
title_fullStr Metodología de Box Jenkins vs Redes Neuronales Artificiales para construir un modelo de pronóstico del precio de compra de cierre mensual de las acciones del Banco de Crédito del Perú en La Bolsa de Valores de Lima, abril de 2005 hasta febrero de 2018
title_full_unstemmed Metodología de Box Jenkins vs Redes Neuronales Artificiales para construir un modelo de pronóstico del precio de compra de cierre mensual de las acciones del Banco de Crédito del Perú en La Bolsa de Valores de Lima, abril de 2005 hasta febrero de 2018
title_sort Metodología de Box Jenkins vs Redes Neuronales Artificiales para construir un modelo de pronóstico del precio de compra de cierre mensual de las acciones del Banco de Crédito del Perú en La Bolsa de Valores de Lima, abril de 2005 hasta febrero de 2018
author Ayala Jacinto, Anderson Raúl
author_facet Ayala Jacinto, Anderson Raúl
Samillán Vásquez, Cesar Jefferson
author_role author
author2 Samillán Vásquez, Cesar Jefferson
author2_role author
dc.contributor.advisor.fl_str_mv Antón Pérez, Juan Manuel
dc.contributor.author.fl_str_mv Ayala Jacinto, Anderson Raúl
Samillán Vásquez, Cesar Jefferson
dc.subject.es_PE.fl_str_mv Algoritmo backpropagation
Análisis de series temporales
Pronosticos
topic Algoritmo backpropagation
Análisis de series temporales
Pronosticos
http://purl.org/pe-repo/ocde/ford#1.01.03
dc.subject.ocde.es_PE.fl_str_mv http://purl.org/pe-repo/ocde/ford#1.01.03
description La presente investigación tuvo por objetivo comparar dos metodologías: Box Jenkins y Redes Neuronales Artificiales para encontrar el mejor modelo de ajuste de la serie precio de compra de cierre mensual de las acciones del Banco de Crédito del Perú en la Bolsa de Valores de Lima, abril de 2005 hasta febrero de 2018. El diseño de la investigación fue observacional, de tipo predictiva, retrospectiva y longitudinal, la muestra de estudio estuvo constituida por toda la población de la serie conformada por 155 observaciones de la variable de estudio. Luego de realizar el análisis con cada metodología se pronosticó para los seis meses siguientes y se compararon los resultados obtenidos con los datos reales para determinar cuál de las dos metodologías logró hacer un mejor pronóstico. Se observó que la metodología basada en Redes Neuronales Artificiales logró obtener un menor error de evaluación de pronóstico que la metodología de Box Jenkins, para ello se utilizaron los indicadores MAE, RMSE, MPE, MAPE y el ME. Para la selección de la red neuronal se utilizó el criterio de parsimonia. Por consecuente se considera a la metodología de Redes Neuronales Artificiales como la mejor opción metodológica para el procedimiento de pronóstico de la serie financiera en estudio.
publishDate 2019
dc.date.accessioned.none.fl_str_mv 2019-10-02T21:01:10Z
dc.date.available.none.fl_str_mv 2019-10-02T21:01:10Z
dc.date.issued.fl_str_mv 2019-10-02
dc.type.es_PE.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
dc.identifier.uri.es_PE.fl_str_mv https://hdl.handle.net/20.500.12893/5322
url https://hdl.handle.net/20.500.12893/5322
dc.language.iso.es_PE.fl_str_mv spa
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.es_PE.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.es_PE.fl_str_mv http://creativecommons.org/licenses/by-sa/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-sa/4.0/
dc.publisher.es_PE.fl_str_mv Universidad Nacional Pedro Ruiz Gallo
dc.publisher.country.es_PE.fl_str_mv PE
dc.source.none.fl_str_mv reponame:UNPRG-Institucional
instname:Universidad Nacional Pedro Ruiz Gallo
instacron:UNPRG
instname_str Universidad Nacional Pedro Ruiz Gallo
instacron_str UNPRG
institution UNPRG
reponame_str UNPRG-Institucional
collection UNPRG-Institucional
bitstream.url.fl_str_mv http://repositorio.unprg.edu.pe/bitstream/20.500.12893/5322/1/BC-%203942%20AYALA%20JACINTO%20-%20SAMILLAN%20VASQUEZ_opt.pdf
http://repositorio.unprg.edu.pe/bitstream/20.500.12893/5322/2/license.txt
http://repositorio.unprg.edu.pe/bitstream/20.500.12893/5322/3/BC-%203942%20AYALA%20JACINTO%20-%20SAMILLAN%20VASQUEZ_opt.pdf.txt
bitstream.checksum.fl_str_mv 9b01ff3fcb86d86f9bdb507e8077b4c4
8a4605be74aa9ea9d79846c1fba20a33
344e9d6c56961da39d9b15f01c509513
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional - UNPRG
repository.mail.fl_str_mv repositorio@unprg.edu.pe
_version_ 1817893700867457024
spelling Antón Pérez, Juan ManuelAyala Jacinto, Anderson RaúlSamillán Vásquez, Cesar Jefferson2019-10-02T21:01:10Z2019-10-02T21:01:10Z2019-10-02https://hdl.handle.net/20.500.12893/5322La presente investigación tuvo por objetivo comparar dos metodologías: Box Jenkins y Redes Neuronales Artificiales para encontrar el mejor modelo de ajuste de la serie precio de compra de cierre mensual de las acciones del Banco de Crédito del Perú en la Bolsa de Valores de Lima, abril de 2005 hasta febrero de 2018. El diseño de la investigación fue observacional, de tipo predictiva, retrospectiva y longitudinal, la muestra de estudio estuvo constituida por toda la población de la serie conformada por 155 observaciones de la variable de estudio. Luego de realizar el análisis con cada metodología se pronosticó para los seis meses siguientes y se compararon los resultados obtenidos con los datos reales para determinar cuál de las dos metodologías logró hacer un mejor pronóstico. Se observó que la metodología basada en Redes Neuronales Artificiales logró obtener un menor error de evaluación de pronóstico que la metodología de Box Jenkins, para ello se utilizaron los indicadores MAE, RMSE, MPE, MAPE y el ME. Para la selección de la red neuronal se utilizó el criterio de parsimonia. Por consecuente se considera a la metodología de Redes Neuronales Artificiales como la mejor opción metodológica para el procedimiento de pronóstico de la serie financiera en estudio.spaUniversidad Nacional Pedro Ruiz GalloPEinfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-sa/4.0/Algoritmo backpropagationAnálisis de series temporalesPronosticoshttp://purl.org/pe-repo/ocde/ford#1.01.03Metodología de Box Jenkins vs Redes Neuronales Artificiales para construir un modelo de pronóstico del precio de compra de cierre mensual de las acciones del Banco de Crédito del Perú en La Bolsa de Valores de Lima, abril de 2005 hasta febrero de 2018info:eu-repo/semantics/bachelorThesisreponame:UNPRG-Institucionalinstname:Universidad Nacional Pedro Ruiz Galloinstacron:UNPRGSUNEDULicenciado en EstadísticaUniversidad Nacional Pedro Ruiz Gallo. Facultad de Ciencias Físicas y MatemáticasEstadísticahttp://purl.org/pe-repo/renati/type#tesishttp://purl.org/pe-repo/renati/level#tituloProfesional0542ORIGINALBC- 3942 AYALA JACINTO - SAMILLAN VASQUEZ_opt.pdfBC- 3942 AYALA JACINTO - SAMILLAN VASQUEZ_opt.pdfapplication/pdf9899739http://repositorio.unprg.edu.pe/bitstream/20.500.12893/5322/1/BC-%203942%20AYALA%20JACINTO%20-%20SAMILLAN%20VASQUEZ_opt.pdf9b01ff3fcb86d86f9bdb507e8077b4c4MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748http://repositorio.unprg.edu.pe/bitstream/20.500.12893/5322/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52TEXTBC- 3942 AYALA JACINTO - SAMILLAN VASQUEZ_opt.pdf.txtBC- 3942 AYALA JACINTO - SAMILLAN VASQUEZ_opt.pdf.txtExtracted texttext/plain341858http://repositorio.unprg.edu.pe/bitstream/20.500.12893/5322/3/BC-%203942%20AYALA%20JACINTO%20-%20SAMILLAN%20VASQUEZ_opt.pdf.txt344e9d6c56961da39d9b15f01c509513MD5320.500.12893/5322oai:repositorio.unprg.edu.pe:20.500.12893/53222021-09-06 09:12:03.542Repositorio Institucional - UNPRGrepositorio@unprg.edu.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
score 13.983476
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).