Una Aplicación de Redes Neuronales Artificiales para el Pronóstico de los Rendimientos de la Serie de Ecopetrol

Vista sencilla de ítem
dc.contributor.advisorRomero, Gil Robert
dc.contributor.advisorMoreno López, Edna Carolina
dc.contributor.authorGarcia Rios, Duvan Alejandro
dc.contributor.corporatenameUniversidad Santo Tomásspa
dc.contributor.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001381730
dc.contributor.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000157060
dc.contributor.googlescholarhttps://scholar.google.com/citations?user=3HPuekUAAAAJ&hl=es
dc.contributor.googlescholarhttps://scholar.google.com/citations?user=LUEZqaYAAAAJ&hl=es
dc.contributor.orcidhttps://orcid.org/0000-0002-1364-0096
dc.contributor.orcidhttps://orcid.org/0000-0001-8602-6890
dc.date.accessioned2021-02-02T19:50:06Z
dc.date.available2021-02-02T19:50:06Z
dc.date.issued2021-01-20
dc.descriptionEste trabajo propone un modelo basado en redes neuronales recurrentes (RNN) para pronosticar el rendimiento la acción de Ecopetrol, la cual es una de las acciones más tranzadas en el país. Se estudian varias configuraciones de RNN, incluyendo como variables de entrada la tasa representativa de mercado (TRM), euro (EUR), precio de cierre de la respectiva acción a estimar y los precios del petróleo (Brent y WTI). Una parte de los datos es tomada como entrenamiento y la restante para la predicción, finalmente para contrastar los resultados obtenidos, se ajusta un modelo EGARCH.spa
dc.description.abstractThis work proposes a model based on recurrent neural networks (RNN) to forecast the performance of Ecopetrol, which is one of the most successful actions in the country. Various configurations of RNN are studied, including as input variables the representative market rate (TRM), euro (EUR), closing price of the respective share to estimate and oil prices (Brent and WTI). A part of the data is taken as training and the rest for prediction, finally to contrast the obtained results, an EGARCH model is fittedeng
dc.description.degreelevelPregradospa
dc.description.degreenameProfesional en estadísticaspa
dc.description.domainhttp://unidadinvestigacion.usta.edu.cospa
dc.format.mimetypeapplication/pdf
dc.identifier.citationGarcia Ríos, D. A. (2020). Una Aplicación de Redes Neuronales Artificiales para el Pronóstico de los Rendimientos de la Serie de Ecopetrol. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional.spa
dc.identifier.instnameinstname:Universidad Santo Tomásspa
dc.identifier.reponamereponame:Repositorio Institucional Universidad Santo Tomásspa
dc.identifier.repourlrepourl:https://repository.usta.edu.cospa
dc.identifier.urihttp://hdl.handle.net/11634/31765
dc.language.isospa
dc.publisherUniversidad Santo Tomásspa
dc.publisher.branchCRAI-USTA Bogotáspa
dc.publisher.facultyFacultad de Estadísticaspa
dc.publisher.programPregrado Estadísticaspa
dc.relation.referencesAbascal, M. (2016).".Análisis de series temporales financieras", Universidad de Cantabria, España, (p.4).spa
dc.relation.referencesAndrade, E.(2013). ".Estudio de los principales tipos de redes neuronales y las herramientas para su aplicación.",Universidad politecnica salesiana, Quito, (p.46).spa
dc.relation.referencesBanco de la República.(2019). ".Tasa Representativa del Mercado (TRM - Peso por dólar).",Banco de la Republica de Colombia, Borradores de Economía, (p.1).spa
dc.relation.referencesRodríguez, E ;Pérez, E; Ovalle, Á;Domínguez, S.(2002). ".Aplicación de redes neuronales artificiales y técnicas sig para la predicción de coberturas forestales.",Revista Chapingo. Serie Ciencias Forestales y del Ambiente, vol. 8, núm. 1 (Universidad Autónoma), México, (pp.31- 37,pp.48-57).spa
dc.relation.referencesBox, G;Jenkins,G .(1976). ".Times Series Análisis: Forecasting and Control.".spa
dc.relation.referencesBuitrago, V.(2012). ".Simulador de las redes de base radial.",Universidad Carlos III, Escuela politécnica superior,Madrid, (pp.11-12).spa
dc.relation.referencesdailyfx .(2018). "WTI vs Brent: Las 5 principales diferencias entre la mezcla de crudo WTI y Brent.",https://www.dailyfx.com/espanol/precio-del-petroleo/wti-vs-brent.html (último acceso: 7 de 10 de 2019).spa
dc.relation.referencesEscobar,L;Valdes,H;Zapata,C.(2010). ".Redes neuronales artificiales en predicción de series de tiempo. Una aplicación a la industria. Chile",Universidad Tecnológica Metropolitana , (pp.9-21).spa
dc.relation.referencesGonzález,M.(2004). ".Redes de base radial",Revista Varpa de la universidad de La Coruña , (p.13).spa
dc.relation.referencesMarín,J.(2012). ".Introduccióna las Redes Neuronales Aplicadas.",Universidad Carlos III,Madrid, (p.5).spa
dc.relation.referencesMatich, D.(2001). ".Redes Neuronales: Conceptos Básicos y Aplicaciones.",Universidad Tecnológica Nacional – Facultad Regional Rosario,Argentina, (pp.8-10).spa
dc.relation.referencesMonsegny,M ; Cuervo,E.(2008). ".Modelos arch, garch y egarch: aplicaciones a series financieras.",Cuadernos de Economía (scielo) 27, nº 48, (pp.3-4).spa
dc.relation.referencesNacelle, A .(2009). ".Las redes neuronales: de la biología a los algoritmos de clasificación.",Universidad de la Republica,Uruguay, (pp.5-7).spa
dc.relation.referencesNelson, D .(1991). ".Conditional Heteroskedasticity in Asset Returns: A New Approach.» Econometrica (The Econometric Society).",vol 59 nº 2, (pp.347-370).spa
dc.relation.referencesKosapattarapim,C.; Lin,Y.; MCCare,M.(2011). ".Evaluating the volatility forecasting performance of best fitting GARCH models in emerging asian stock markets).",University of Wollongong Australia (Faculty of engineering and information sciences),Australia, (pp.9-21).spa
dc.relation.referencesSepúlveda ,P.,(2011). ".Redes neuronales recurrentes con algoritmo de optimización por enjambre de partículas para pronóstico multivariado de captura de anchovetas en el norte de chile).",Pontificia universidad católica de Valparaíso (Facultad de ingeniería),Chile.spa
dc.rightsAtribución-NoComercial-SinDerivadas 2.5 Colombia
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.localAbierto (Texto Completo)spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.subject.keywordArtificial neural networkseng
dc.subject.keywordYieldseng
dc.subject.keywordEGARCHeng
dc.subject.keywordConditional volatilityeng
dc.subject.keywordNeural Networks (Computer Science)eng
dc.subject.keywordGARCH modelseng
dc.subject.keywordFinancial instrumentseng
dc.subject.lembRedes neurales (Informática) -- Casos -- Colombiaspa
dc.subject.lembModelos GARCH -- Casos -- Colombiaspa
dc.subject.lembInstrumentos financieros -- Casos -- Colombiaspa
dc.subject.lembEstadísticospa
dc.subject.proposalRedes neuronales artificialesspa
dc.subject.proposalRendimientosspa
dc.subject.proposalEGARCHspa
dc.subject.proposalVolatilidad condicionalspa
dc.titleUna Aplicación de Redes Neuronales Artificiales para el Pronóstico de los Rendimientos de la Serie de Ecopetrolspa
dc.typebachelor thesis
dc.type.categoryFormación de Recurso Humano para la Ctel: Trabajo de grado de Pregradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.driveinfo:eu-repo/semantics/bachelorThesis
dc.type.localTesis de pregradospa
dc.type.versioninfo:eu-repo/semantics/acceptedVersion

Archivos

Bloque original

Mostrando 1 - 3 de 3
Miniatura
Nombre:
2021duvangarcia
Tamaño:
621.1 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Miniatura
Nombre:
2020cartaaprobaciónfacultad
Tamaño:
219.22 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Miniatura
Nombre:
2020cartaderechosautor
Tamaño:
378.21 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar

Bloque de licencias

Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
807 B
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Pregrado Estadística