Show simple item record

dc.contributor.advisorVillanueva Talavera, Edwin Rafael
dc.contributor.authorCarhuas Ñañez, Milton Cesar
dc.date.accessioned2023-03-06T21:55:33Z
dc.date.available2023-03-06T21:55:33Z
dc.date.created2022
dc.date.issued2023-03-06
dc.identifier.urihttp://hdl.handle.net/20.500.12404/24440
dc.description.abstractPronosticar los precios futuros de cobre es una tarea desafiante dadas las características dinámicas y no lineales de varios factores que afectan el precio del cobre. Este artículo describe modelos de pronóstico, basados en arquitecturas de redes neuronales, para predecir los retornos del precio de cobre en tres horizontes de tiempo: un día, una semana y un mes adelante. Diversas variables se consideran como variables de entrada, como los precios históricos de diferentes materias primas metálicas y variables macroeconómicas globales. Evaluamos los modelos con datos diarios de 2007 a 2020. Los resultados experimentales mostraron que los modelos de salida única presentan un mejor rendimiento predictivo que los modelos de salida múltiple. Las arquitecturas de mejor rendimiento fueron los modelos de memorias largas a corto plazo (LSTM) en datos de prueba.es_ES
dc.description.abstractForecasting the future prices of copper commodity is a challenging task given the dynamic and non-linear characteristics of various factors that affect the copper price. This article describes forecasting models, based on neural network architectures, to predict copper price returns at three time horizons: one-day, one-week, and onemonth ahead. Several variables are considered as input variables, like historical prices of different metallic commodities and global macroeconomic variables. We evaluated the models with daily data from 2007 to 2020. The experimental results showed that mono-output models present better predictive performance than multi-output models. The best-performing architectures were the Long Short-Term Memories (LSTM) models on test data.es_ES
dc.language.isoenges_ES
dc.publisherPontificia Universidad Católica del Perúes_ES
dc.rightsinfo:eu-repo/semantics/openAccesses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/2.5/pe/*
dc.subjectAprendizaje profundoes_ES
dc.subjectRedes neuronales (Computación)es_ES
dc.subjectCobrees_ES
dc.titlePronóstico del precio de cobre utilizando técnicas de aprendizaje profundoes_ES
dc.typeinfo:eu-repo/semantics/masterThesises_ES
thesis.degree.nameMaestro en Informática con mención en Ciencias de la Computaciónes_ES
thesis.degree.levelMaestríaes_ES
thesis.degree.grantorPontificia Universidad Católica del Perú. Escuela de Posgrado.es_ES
thesis.degree.disciplineInformática con mención en Ciencias de la Computaciónes_ES
dc.type.otherTesis de maestría
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#1.02.00es_ES
dc.publisher.countryPEes_ES
renati.advisor.dni29714308
renati.advisor.orcidhttps://orcid.org/0000-0002-6540-1230es_ES
renati.author.dni43113983
renati.discipline611087es_ES
renati.jurorBeltran Castañon, Cesar Armandoes_ES
renati.jurorVillanueva Talavera, Edwin Rafaeles_ES
renati.jurorOlivares Poggi, Cesar Augustoes_ES
renati.levelhttps://purl.org/pe-repo/renati/level#maestroes_ES
renati.typehttps://purl.org/pe-repo/renati/type#trabajoDeInvestigaciones_ES


Files in this item

FilesSizeFormatView

There are no files associated with this item.

This item appears in the following Collection(s)

Show simple item record

info:eu-repo/semantics/openAccess
Except where otherwise noted, this item's license is described as info:eu-repo/semantics/openAccess