Redes neuronales artificiales y modelos arima aplicadas a la modelación y predicción del tipo de cambio euro-dólar
El presente trabajo de titulación tiene como objetivo modelar y predecir el tipo de cambio Euro-Dólar, para lo cual se obtuvo los datos en la plataforma virtual Investing.com cuyo acceso es libre; se realizó un análisis exploratorio para identificar el comportamiento de los datos. Se aplicó tres téc...
Shranjeno v:
| Glavni avtor: | |
|---|---|
| Format: | bachelorThesis |
| Jezik: | spa |
| Izdano: |
2020
|
| Teme: | |
| Online dostop: | https://dspace.espoch.edu.ec/handle/123456789/14287 |
| Oznake: |
Označite
Brez oznak, prvi označite!
|
| Izvleček: | El presente trabajo de titulación tiene como objetivo modelar y predecir el tipo de cambio Euro-Dólar, para lo cual se obtuvo los datos en la plataforma virtual Investing.com cuyo acceso es libre; se realizó un análisis exploratorio para identificar el comportamiento de los datos. Se aplicó tres técnicas las cuales son: Box-Jenkins, redes neuronales recurrentes de tipo Elman y Long Short-Term Memory para modelar y predecir la serie, se obtuvo los errores de escala y porcentuales, el coeficiente U de Theil y la prueba de Diebold-Mariano para identificar que técnica presenta predicciones más precisas. Los datos se obtuvieron en el periodo desde el 2 de enero de 1998 hasta el 31 de diciembre del 2019, se dividió la serie en conjuntos de entrenamiento y validación. Para el conjunto de entrenamiento se usó los datos del 2 de enero de 1998 al 29 de noviembre de 2019 y desde el 2 de diciembre de 2019 al 31 de diciembre del mismo año para el conjunto de validación. Debido a que la serie temporal presenta características de caminata aleatoria se determina un modelo ARIMA(0, 1, 0), cuya predicción en el tiempo t es el dato del tiempo t-1, se realizó predicciones de 22 días al futuro y se comparó con las predicciones realizadas con los dos tipos de redes neuronales recurrentes. Los coeficientes U de Theil para las predicciones con el modelo ARIMA, red de Elman y red Long Short-Term Memory dieron 0.04743, 0.002625 y 0.001808 respectivamente, identificando que la tercera técnica presenta pronósticos más precisos para este tipo de datos, pudiéndose corroborar mediante la prueba de Diebold-Mariano. |
|---|