Eliseo Ramírez Reyes, Arturo Morales Castro, Néstor Sanabria Landazábal
Se exploran diferentes modelos de predicción para analizar el desempeño de la Bolsa Mexicana de Valores (PQI) después de la crisis de 2008. Estos modelos han demostrado una buena capacidad de pronóstico tanto para los enfoques multivariable y univariable dadas sus características no paramétricos. Las variables seleccionadas fueron: Índice Dow Jones Industrial Average (DJIA), IPC, Reservas Internacionales (IR), CETES28, tipo de cambio USDMX, (M1) y el riesgo de incumplimiento soberano de México (MRDS). Los modelos fueron evaluados con MAPE y comparados con modelos de regresión lineal (LR) y redes neuronales (NN). Los resultados muestran que los modelos tienen un rendimiento similar de acuerdo con los porcentajes de error que presentaron.
Different prediction models are explored to analyze the performance of the Mexican Stock Exchange (PQI) after the 2008 crisis. These models have demonstrated a good prognostic capacity for both multivariable and univariable approaches given their non-parametric characteristics. The selected variables were: Dow Jones Industrial Average Index (DJIA), CPI, International Reserves (IR), CETES28, USDMX exchange rate, (M1) and the sovereign default risk of Mexico (MRDS). The models were evaluated with MAPE and compared with linear regression models (LR) and neural networks (NN). The results show that the models have a similar performance according to the percentages of error they presented.
Diferentes modelos de previsão de aprendizado de máquina são explorados para analisar o desempenho da Bolsa de Valores do México (PQI) após a crise de 2008. Esses modelos demonstraram uma boa capacidade prognóstica para abordagens multivariáveis e univariáveis, devido às suas características não paramétricas. . As variáveis selecionadas foram: Índice Médio Industrial Dow Jones (DJIA), CPI, Reservas Internacionais (IR), CETES28, taxa de câmbio USDMX, (M1) e risco soberano de inadimplência do México (MRDS). Os modelos foram avaliados com MAPE e comparados com modelos de regressão linear (LR) e redes neurais (NN). Os resultados mostram que os modelos têm desempenho semelhante de acordo com as porcentagens de erro que apresentaram.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados