Tesis y Trabajos de Investigación PUCP
URI permanente para esta comunidadhttp://54.81.141.168/handle/123456789/6
El Repositorio Digital de Tesis y Trabajos de Investigación PUCP aporta al Repositorio Institucional con todos sus registros, organizados por grado: Doctorado, Maestría, Licenciatura y Bachillerato. Se actualiza permanentemente con las nuevas tesis y trabajos de investigación sustentados y autorizados, así como también con los que que fueron sustentados años atrás.
Ingresa a su web: Repositorio Digital de Tesis y Trabajos de Investigación PUCP
Explorar
3 resultados
Resultados de búsqueda
Ítem Texto completo enlazado Desarrollo de un modelo para la predicción del precio del cobre empleando herramientas de Machine Learning(Pontificia Universidad Católica del Perú, 2020-12-18) Fosca Gamarra, Almudena; Miranda Castillo, Oscar EnriqueA lo largo del presente trabajo de investigación se exploró el uso de herramientas de inteligencia artificial (Machine Learning) en la predicción del precio de cobre. Este proyecto de investigación se desarrolla dentro de las actividades del Grupo de investigación en finanzas aplicadas (GIFA) de la PUCP. En el cual, a partir de conocimientos interdisciplinarios se busca explotar metodologías de Inteligencia Artificial aplicando Machine Learning en el ámbito de inversión financiera. En el capítulo 1, se exponen trabajos previos para el pronóstico de acciones, índices bursátiles y commodities, pudiendo comparar y contrastar los resultados obtenidos al aplicar diversos algoritmos. De esta forma, se emplean los estudios previos presentados como base para la ejecución y selección del modelo en esta tesis. Asimismo, de manera más detallada se presentan los factores más importantes en el comportamiento del precio de un commodity. En el capítulo 2, se estructura la metodología a emplear en el desarrollo de la investigación. Se especifica el tipo de investigación y diseño, así como las métricas de evaluación a emplear. El tercer capítulo corresponde al modelo de predicción basado en herramientas estadísticas tradicionales. Se presenta la metodología Box Jenkins como punto de partida para la ejecución del modelo ARIMA, posteriormente se evalúan los resultados obtenidos con este. A partir del cuarto capítulo se introducen los conceptos de Machine Learning. Inicialmente se presenta un flujograma base para la elaboración de un algoritmo, y con este se estructuran dos modelos: regresión lineal y SVR. A lo largo de este capítulo se construyen ambos algoritmos de manera básica, desde la categorización del problema hasta la validación, según el flujo de procesos presentado. El quinto capítulo tiene como objetivo evaluar la importancia de realizar un análisis de selección de atributos con el fin de mejorar el modelo. De esta forma, se utilizan dos algoritmos de selección y posteriormente se comparan los resultados obtenidos. El sexto y último capítulo del cuerpo de esta investigación se centra en optimizar el modelo SVR a través de la implementación de algoritmos de selección de hiperparámetros.Ítem Texto completo enlazado Predicción de precios de commoditties empleando data analytics y machine learning(Pontificia Universidad Católica del Perú, 2020-10-20) Fosca Gamarra, Almudena; Miranda Castillo, Oscar EnriqueEsta investigación explorará las aplicaciones de herramientas de Machine Learning en el campo financiero. Se incluyen trabajos previos para el pronóstico de acciones, índices bursátiles y commodities, pudiendo comparar y contrastar los resultados obtenidos al aplicar diversos algoritmos. De esta forma, se emplean los estudios previos presentados como base para la elaboración de una tesis de bachillerato que tiene como objetivo pronosticar el precio del cobre empleando modelos de Machine Learning.Ítem Texto completo enlazado Modelling the volatility of commodities prices using a stochastic volatility model with random level shifts.(Pontificia Universidad Católica del Perú, 2015-11-02) Alvaro Polack, Dennis Leonardo; Guillén Longa, Ángel; Rodríguez Briones, Gabriel HenderThe volatility of commodities prices such as oil or minerals is an important issue for small and open economies that depends on raw materials. For example, in many countries of Latin America, the volatility of commodities can a¤ect operational cost or investment schedules of business related to the primary sector. At the macroeconomic level, a high volatility can provocate changes in the current account and in capital in ows, or, on the side of importers, increase uncertainty about production costs and in ation. Therefore, modeling volatility of commodities prices would be useful for private agents and policy makers. For the rst ones, it gives valuable information for better options contracts that allow hedge under big uncertainty, and for the second ones, it could help to a better understanding of business cycles given the correlation between mineral prices uctuations, capital in ows and investment expectations.