Pronóstico del Precio de la Energía en Colombia por medio de Modelos GARCH y Redes Neuronales Recurrentes

Vista sencilla de ítem
dc.contributor.advisorRincòn Gòmez, William Arley
dc.contributor.authorHuertas Garcìa, Juan Sebastian
dc.contributor.corporatenameUniversidad Santo Tomásspa
dc.contributor.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000571776
dc.contributor.googlescholarhttps://scholar.google.es/citations?user=5z4hIPgAAAAJ&hl=es
dc.contributor.orcidhttps://orcid.org/0000-0002-4419-1270
dc.date.accessioned2021-08-25T16:55:01Z
dc.date.available2021-08-25T16:55:01Z
dc.date.issued2021-08-25
dc.descriptionEl precio de la energía es una variable con una alta volatilidad debido a la gran cantidad de factores influyentes que causan picos y variaciones fuertes en ciertos periodos, por esta razón se realizará un modelado del precio de la energía por medio de modelos utilizados frecuentemente para el tratamiento de series financieras como lo son los modelos GARCH que surgieron por la necesidad de trabajar series con heterocedasticidad condicional (Bollerslev, 1986). Además, se realiza la evaluación de predicción del modelo de redes neuronales recurrentes RNR (Manchado, 2018) con el fin de realizar una comparación para determinar cuál de las dos metodologías es la mejor para pronosticar el precio de la energía en Colombia.spa
dc.description.abstractThe price of energy is a variable with high volatility due to the large number of influencing factors that cause peaks and strong variations in certain periods, for this reason a model of the price of energy will be executed by means of models normally used for the treatment of financial series such as GARCH models that arose from the need to work series with conditional heteroskedasticity (Bollerslev, 1986). In addition, the prediction evaluation of the recurrent neural network model RNR (Manchado, 2018) is carried out in order to make a comparison to determine which of the two methodologies is the best to forecast the price of energy in Colombia.eng
dc.description.degreelevelPregradospa
dc.description.degreenameProfesional en estadísticaspa
dc.description.domainhttp://unidadinvestigacion.usta.edu.cospa
dc.format.mimetypeapplication/pdf
dc.identifier.citationHuertas Garcìa, J. S. (2021). Pronóstico del Precio de la Energía en Colombia por medio de Modelos GARCH y Redes Neuronales Recurrentes. [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/11634/35374
dc.language.isospa
dc.publisherUniversidad Santo Tomásspa
dc.publisher.branchCRAI-USTA Bogotáspa
dc.publisher.facultyFacultad de estadísticaspa
dc.publisher.programRregrado estadísticaspa
dc.relation.referencesACER. (2020). ACER: Energías Renovables. Obtenido de https://www.asorenovables.com/que-son-lasenergias-renovables/spa
dc.relation.referencesAppel, J. (2020). Quickprop, una alternativa a la propagación hacia atrás. Obtenido de https://towardsdatascience.com/quickprop-an-alternative-to-back-propagation-d9a78069e2a7spa
dc.relation.referencesAvendaño, D. E. (2011). APLICACIÓN DE MODELOS NO LINEALES CON VARIABLE DEPENDIENTE LIMITADA (LOGIT, PROBIT) EN GRETL. Unidad de Informática y Comunicaciones de la Universidad Nacional.spa
dc.relation.referencesBanco Mundial. (2017, Octubre 20). Importancia de las energías limpias. Obtenido de https://www.bancomundial.org/es/news/feature/2017/10/30/la-importancia-de-las-energias limpiasspa
dc.relation.referencesBollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 307-327.spa
dc.relation.referencesDebnath, K. B. (2018). Renewable and Sustainable Energy Reviews. Elsevier.spa
dc.relation.referencesEnerdata. (2020). Anuario estadístico mundial de energía 2020.spa
dc.relation.referencesFranses, P. H. (2000). Non-Linear Time Series Models in Empirical Finance. Cambridge: Cambridge University Press.spa
dc.relation.referencesGutierrez, J. C. (2012). La correcta utilización de los promedios. Revista Universitaria Eafit, 80.spa
dc.relation.referencesGutierrez, J. C. (2012). La variación y su significado. Revista universitaria Eafit, 94.spa
dc.relation.referencesHernández, S. (2015). Análisis de Series de Tiempo. Ciudad de México.spa
dc.relation.referencesHosmer, D. W., & Lemeshow, S. (2000). Applied Logistic Regression. John Wiley & Sons, Inc.spa
dc.relation.referencesJakaša, T., Andročec, I., & Sprčić, P. (2011). Electricity price forecasting — ARIMA model approach. 2011 8th International Conference on the European Energy Market (EEM).spa
dc.relation.referencesKaytez, F., Taplamacioglu, M. C., Cam, E., & Hardalac, F. (2014). Forecasting electricity consumption: A comparison of regression. Elsevier, 432-434.spa
dc.relation.referencesLópez, N. E., & Camargo, S. A. (2009). Limitaciones del modelo lineal de probabilidad y alternativas de modelación microeconométrica . Temas de ciencia y tecnología, 4-6.spa
dc.relation.referencesManchado, M. C. (2018). Predicción demanda eléctrica española. Universidad Complutense de Madrid, 7-10.spa
dc.relation.referencesManchado, M. C. (2018). Predicción demanda eléctrica española. Implementación de redes neuronales recurrentes en python. Universidad Complutense de Madrid, 5-7.spa
dc.relation.referencesMatich, D. J. (2001). Redes Neuronales: Conceptos Básicos y. Universidad Tecnológica Nacional – Facultad Regional Rosario.spa
dc.relation.referencesMauricio, J. A. (2007). Introducción al análisis de series temporales. Madrid: Universidad Complutense de Madrid.spa
dc.relation.referencesMoscote Florez, O. (2013). Elementos de estadística en riesgo financiero. Bogotá: USTA.spa
dc.relation.referencesMoscote, O. F., & Rincon, W. A. (2012). ModeloLogityProbit: un caso de aplicación. Comunicaciones en Estadística, 5(2).spa
dc.relation.referencesMuñoz, S. A. (2017). Pronóstico del precio de la energía en Colombia utilizando modelos ARIMA con IGARCH. Economía del Rosario.spa
dc.relation.referencesNYBERG, H. (2009, 12 30). Dynamic Probit Models and Financial. Obtenido de Wiley InterScience: (www.interscience.wiley.comspa
dc.relation.referencesStock, J. H., & Watson, M. W. (2012). Introducción a la econometría. Pearson.spa
dc.relation.referencesWooldridge, J. (2009). Introductory Econometrics: A modern approach. Cengage Learning.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.keywordEnergyeng
dc.subject.keywordRecurrent neural networkseng
dc.subject.keywordGARCHeng
dc.subject.keywordAICeng
dc.subject.keywordBICeng
dc.subject.keywordARCHeng
dc.subject.lembRedes neuronales (Computadores)spa
dc.subject.lembVolatilidadspa
dc.subject.lembEconomía de la Energíaspa
dc.subject.lembEstadìsticaspa
dc.subject.proposalEnergíaspa
dc.subject.proposalRedes neuronales recurrentesspa
dc.subject.proposalGARCHspa
dc.subject.proposalARCHspa
dc.subject.proposalAICspa
dc.subject.proposalBICspa
dc.subject.proposalARCHspa
dc.titlePronóstico del Precio de la Energía en Colombia por medio de Modelos GARCH y Redes Neuronales Recurrentesspa
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:
2021juanhuertas
Tamaño:
647.89 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Miniatura
Nombre:
2021cartaaprobaciónfacultad
Tamaño:
16.66 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Miniatura
Nombre:
2021cartaderechosautor
Tamaño:
886.6 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