Resumen de Predicción de variaciones en el precio del petróleo con el modelo de optimización ARIMA, innovando con fuerza bruta operacional

Antonino Parisi Fernandez, Luis Améstica Rivas, Óscar Chileno Trujillo

• español

  La presente investigación evalúa la eficacia del modelo ARIMA multivariable optimizado con fuerza bruta para el caso del precio del petróleo, con el fin de predecir el comportamiento de las acciones a la semana siguiente de una última fecha analizada. El objetivo es construir un modelo predictivo con un porcentaje de predicción de signo superior al 50% y, por consiguiente, mejorar la toma de decisiones para los inversionistas. Se utilizó la información disponible de la cotización del petróleo y acciones del portal web de finanzas de tres empresas, Exxon Mobil, Gazprom y Rosneft, comprendidos en el periodo del 4 de febrero de 2011 al 4 de febrero de 2016, durante el cual se pudo observar la variación de los precios, y así poder comparar los datos reales con las variaciones pronosticadas a través del modelo. Se utilizaron 12 variables, generando 100.000 iteraciones aleatorias con fuerza bruta, dado que la optimización por simplex o solver limitaba la obtención de algún resultado. Con la técnica de fuerza bruta se pudo establecer una capacidad de predicción superior al 60% para el caso del precio del petróleo y las acciones de empresas petroleras.

• English

  The present study evaluates the effectiveness of the multivariable ARIMA model with brute force for the case of the oil price, predicting the behavior of the shares in the following week of a last analyzed date. The objective is to construct a predictive model with a percentage of prediction higher than 50% and, therefore, to improve the decision making for the investors. We used the available information on the oil quotation and shares of the financial web site of three companies, Exxon Mobil, Gazprom and Rosneft, during the period from February 4th, 2011, to February 4th, 2016. It was possible to observe the variation of prices, and to compare the actual data with the variations predicted with the model. We used 12 variables, generating 100,000 random iterations with brute force, without simplex and/or solver optimization, which limited the obtaining results. With the brute-force technique, a prediction capacity of more than 60% could be established for the case of oil prices and oil company stocks.