DSpace Repository

Pronostico del precio del oro por medio de modelos autoregresivos integrados de promedio movil, modelos relacionales y concepto de machine learnig.

Show simple item record

dc.contributor.author Ordoñez Mejía, Mario Ernesto
dc.contributor.author García Bustos, Sandra, Directora
dc.date.accessioned 2022-03-14T17:40:22Z
dc.date.available 2022-03-14T17:40:22Z
dc.date.issued 2020
dc.identifier.citation Ordoñez, M. (2020). Pronostico del precio del oro por medio de modelos autoregresivos integrados de promedio movil, modelos relacionales y concepto de machine learnig.[Tesis de maestría]. Escuela Superior Politécnica del Litoral. es_EC
dc.identifier.uri http://www.dspace.espol.edu.ec/handle/123456789/51718
dc.description.abstract La cantidad da data generada y almacenada en estos tiempos, nos pone ante el desafío de poder realizar un manejo de la información pudiendo modelizar tendencias y patrones para poder tomar decisiones más acertadas en cada uno de los campos en los que podamos desenvolvernos. Hemos tomado como caso de ejemplo el desarrollo del precio del oro a través de la historia teniendo una base de datos registrada desde finales del año 1968 con registros diarios de acuerdo con los horarios de apertura de los mercados internacionales. Esta data fue recopilada, luego ordenada, agrupándola en datos promedio mensuales y obtener información tendencial de precios y probablemente tener un análisis de trabajos posteriores más realista. Estos datos fueron trabajados usando tres tipos de metodología clásica como son los modelos autorregresivos integrados de promedios móviles (ARIMA), un modelo relacional considerando variables macroeconómicas externas y establecer las relaciones con el precio del oro y por último se ejemplificará un modelo de redes neuronales artificiales, LSTM. La cantidad de data disponible es de gran importancia para la selectividad de la metodología a usarse, fue posible constatar que un modelo ARIMA presento las medidas de error más bajas que las obtenidas por las redes neuronales (AI) esto debido a que las redes neuronales están diseñadas para trabajar con grandes cantidades de data, las redes neuronales tiene factores que pueden ser modificados e influyen en el error medido del modelo y por ultimo los tiempos y capacidades computacionales que estos métodos necesitan son mucho más altas que las que normalmente uno tiene en su hogar por medio de su computador , es decir, existen equipos computacionales diseñados especialmente para el manejo de altas cantidades de data y realización de modelos de machine learning o redes neuronales artificiales. es_EC
dc.language.iso es es_EC
dc.publisher ESPOL. FCNM es_EC
dc.subject Precio del oro es_EC
dc.subject Modelos autoregresivos es_EC
dc.subject Integrados promedio movil es_EC
dc.subject Machine learning es_EC
dc.title Pronostico del precio del oro por medio de modelos autoregresivos integrados de promedio movil, modelos relacionales y concepto de machine learnig. es_EC
dc.type Thesis es_EC


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Advanced Search

Browse

My Account