Pronóstico de precios de petróleo para la mezcla mexicana usando redes neuronales artificiales

Abstract

En este trabajo se realizan seis diferentes arquitecturas de redes neuronales artificiales para pronosticar los precios de petróleo para la Mezcla Mexicana. Se recopilan datos mensuales en el periodo comprendido de enero 1996 a junio 2022, dando un total de 318 observaciones por cada variable; éstas fueron sometidas a una transformación de logaritmo natural y diferenciadas en un periodo. Al principio se hace una selección de variables independientes con sus respectivos rezagos de acuerdo con su nivel de significancia estadística, posteriormente se diseña un modelo base y se compara con los modelos generados por los algoritmos de redes neuronales a través de su nivel de desempeño usando el error de raíz cuadrada media (RMSE por sus siglas en ingles). Los resultados muestran que el número de rezagos apropiado para usar como variables en la capa de entrada es de 4, asimismo, 4 de las 6 arquitecturas planteadas muestran un mejor desempeño con respecto al modelo base planteado, además, las arquitecturas de redes neuronales con mayor profundidad demostraron tener un mejor desempeño. Por tanto, se concluye que a pesar de que el desempeño del algoritmo depende de la calidad de los datos, los modelos de redes neuronales muestran mejores resultados que los comparados con el modelo base.