Técnicas de predicción aplicadas al análisis del precio del oro: un enfoque comparativo

• Autores: ​​Huaman Sedano, Percy, Infantes Suarez, Oscar Ericsson
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Privada del Norte
• Repositorio: UPN-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.upn.edu.pe:11537/38247
• Enlace del recurso: https://hdl.handle.net/11537/38247
• Nivel de acceso: acceso abierto
• Materia: Tecnología minera; Minería de datos; Equipos - Minería; Precio del oro; Machine learning; Regression; Prediction; https://purl.org/pe-repo/ocde/ford#2.07.05

En este estudio, abordamos el desafío de desarrollar un modelo preciso y confiable para predecir el precio del oro. Nuestro objetivo principal es analizar y comparar diferentes enfoques, como los modelos de regresión lineal, Support Vector Regression y Árboles de regresión, para determinar cuál de ellos ofrece la mejor precisión en la predicción del precio del oro. A través de una exhaustiva revisión bibliográfica y el análisis de datos históricos, buscamos identificar patrones y tendencias que permitan mejorar la capacidad predictiva del modelo. En el proceso de desarrollo, hemos empleado un flujo de trabajo riguroso y transparente, desde la definición del problema hasta la evaluación de los modelos mediante la división de datos en conjuntos de entrenamiento, validación cruzada y prueba. Nuestra metodología incluye la recopilación de datos de fuentes confiables y la preparación de los datos mediante la limpieza, exploración y transformación adecuada. Los resultados obtenidos hasta ahora muestran que el modelo de regresión lineal alcanza una métrica R^2 superior a 0.91, pero con un RMSE de 31.49 y un MAE de 17.75. Aunque este enfoque es simple y fácil de entender, necesitamos explorar otros métodos de estudio automático para mejorar la precisión y la predicción del precio del oro. Los hallazgos del estudio tendrán implicaciones significativas tanto para los inversores como para la industria, al proporcionar información valiosa para la resolución de decisiones informadas sobre inversiones en oro y gestión de riesgos, así como para la proyección de la producción y la maximización de recursos en la industria minera. En este estudio, abordamos el desafío de desarrollar un modelo preciso y confiable para predecir el precio del oro. Nuestro objetivo principal es analizar y comparar diferentes enfoques, como los modelos de regresión lineal, Support Vector Regression y Árboles de regresión, para determinar cuál de ellos ofrece la mejor precisión en la predicción del precio del oro. A través de una exhaustiva revisión bibliográfica y el análisis de datos históricos, buscamos identificar patrones y tendencias que permitan mejorar la capacidad predictiva del modelo. En el proceso de desarrollo, hemos empleado un flujo de trabajo riguroso y transparente, desde la definición del problema hasta la evaluación de los modelos mediante la división de datos en conjuntos de entrenamiento, validación cruzada y prueba. Nuestra metodología incluye la recopilación de datos de fuentes confiables y la preparación de los datos mediante la limpieza, exploración y transformación adecuada. Los resultados obtenidos hasta ahora muestran que el modelo de regresión lineal alcanza una métrica R^2 superior a 0.91, pero con un RMSE de 31.49 y un MAE de 17.75. Aunque este enfoque es simple y fácil de entender, necesitamos explorar otros métodos de estudio automático para mejorar la precisión y la predicción del precio del oro. Los hallazgos de este estudio tendrán implicaciones significativas tanto para los inversores como para la industria, al proporcionar información valiosa para la resolución de decisiones informadas sobre inversiones en oro y gestión de riesgos, así como para la programación de producción y optimización de recursos en la industria minera.