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...
| Autores: | , |
|---|---|
| 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).
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).