Colombia
Colombia
Este trabajo propone un modelo basado en redes neuronales artificiales para el pronóstico del precio internacional del petróleo. Para el desarrollo del modelo se usan datos de precios de la literatura para el petróleo de referencia WTI (West Texas Intermediate) transado principalmente en la Bolsa Mercantil de Nueva York. Se utilizan cuatro estructuras de redes incluyendo como entradas la serie de precios diarios en la primera, la serie de precios más el índice del dólar estadounidense DXY en la segunda, la serie de precios más el índice S&P500 en la tercera y la serie de precios más los índices DXY y S&P500 en la cuarta. Se prueban diferentes configuraciones de redes neuronales utilizando una serie de seis meses, donde los datos de los primeros cinco se utilizan para entrenamiento dejando el último mes para verificar las capacidades predictivas del modelo. Se analiza también el efecto de incluir el grado de aversión al riesgo de los inversionistas por medio de los índices DXY y S&P500 como variables adicionales de entrada. Los resultados muestran un buen comportamiento de las redes neuronales con bajos errores en aprendizaje y en predicción
An artificial neural network model to forecast oil international price is proposed in this work. To develop the model, price data taken from the literature for the WTI reference oil (West Texas Intermediate) traded mainly in New York Mercantile Exchange are used. Four network structures, including the daily price series in the first one, the price series plus the dollar index DXY in the second one, the price series plus the S&P500 index in the third one and the price series plus the DXY and S&P500 indexes in the fourth one are used. Different neural networks configurations are analyzed using a series of six months, where data for five months are used for training patterns and the next month is left for testing the predictive capabilities of the model. The effect of including investors risk aversion using the DXY and S&P500 indexes as alternative input patterns is also analyzed. The results show good performance of the neural networks both during learning and prediction.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados