Predicción de precios del petróleo WTI utilizando modelos ARIMA y redes neuronales: un análisis para 2022
Palabras clave:
petróleo, previsión económica, modelos matemáticos, redes neuronales, volatilidad del mercadoResumen
DOI:
http://doi.org/10.5281/zenodo.15200039
Este estudio compara el desempeño de los modelos ARIMA y Redes Neuronales en la predicción del precio del petróleo durante 2022, un año caracterizado por alta volatilidad debido a factores como la guerra en Ucrania. Se analizaron 252 datos diarios, incluyendo variables exógenas como tasas de interés, oferta, demanda y balanza comercial. Los resultados evidencian que las Redes Neuronales superaron al modelo ARIMA (3, 0, 1) en precisión: obtuvieron un menor error absoluto medio (2.018 vs. 2.34 dólares) y un menor error porcentual (2.66 % vs. 3.21 %). Además, las Redes Neuronales mejoraron su desempeño con el tiempo, mientras que el ARIMA mostró deterioro en el largo plazo. Aunque ARIMA fue más eficiente a corto plazo y menos exigente en datos, la red neuronal logró captar mejor las dinámicas no lineales del mercado, con un coeficiente de correlación de 19.56 %, frente al 5.49 % de ARIMA. Se concluye que las Redes Neuronales ofrecen mayor robustez y precisión en contextos de incertidumbre prolongada, y se recomienda explorar modelos híbridos que combinen las fortalezas de ambos enfoques.
Descargas
Referencias
Aggarwal, C. (2018). Neural networks and deep learning: A textbook [Abstract]. Springer Cham. http://bit.ly/3ZJdoOJ
Ahmed, R. A., & Shabri, A. B. (2014). Daily crude oil price forecasting model using ARIMA, generalized autoregressive conditional heteroscedastic and support vector machines. American Journal of Applied Sciences, 11(3), 425–432. https://doi.org/10.3844/ajassp.2014.425.432
Alrweili, H., & Fawzy, H. (2022). Forecasting crude oil prices using an ARIMA-ANN hybrid model [Abstract]. Journal of Statistics Applications & Probability, 11(3), 845–855. https://doi.org/10.18576/jsap/110308
Ariyanti, V. P., & Yusnitasari, T. (2023). Comparison of ARIMA and SARIMA for forecasting crude oil prices. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 7(2), 405–413. https://doi.org/10.29207/resti.v7i2.4895
Bishop, C. M. (2006). Pattern recognition and machine learning [Abstract]. Springer. https://doi.org/10.1007/978-0-387-31073-2
Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: Forecasting and control (5th ed.). Wiley. https://doi.org/10.1002/9781118675021
Chandar, S. K., Sumathi, M., & Sivanandam, S. N. (2015). Prediction of stock market price using hybrid of wavelet transform and artificial neural network. Indian Journal of Science and Technology, 9(8), 1-5. https://doi.org/10.17485/ijst/2016/v9i8/87905
Claeskens, G., & Hjort, N. L. (2008). Model selection and model averaging. Cambridge University Press. http://dx.doi.org/10.1017/CBO9780511790485
European Commission. (2022, June 2). Russia's war on Ukraine: EU adopts sixth package of sanctions against Russia. https://tinyurl.com/3vs6k835
Fama, E. F. (1965). The behavior of stock-market prices. The Journal of Business, 38(1), 34–105. https://doi.org/10.1086/294743
Hamilton, J. D. (2009). Causes and consequences of the oil shock of 2007–08 [Abstract]. Brookings Papers on Economic Activity, 2009(Spring), 215–261. https://doi.org/10.1353/eca.0.0047
Haykin, S. (2005). Neural Networks and Learning Machines. Pearson. https://bit.ly/481BcPY
IBM. (2019). Guía de usuario de IBM SPSS Statistics 26 Core system. https://ibm.co/3XVcE6u
IEA. (2022, 15 de noviembre). Oil market report. IEA. https://bit.ly/3YflyNq
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539
Marques, J., & Barros, A. (2024). Oil-price forecasting based on ARIMA, exponential smoothing, and autoregressive neural network models. Contribuciones a las Ciencias Sociales, 17(9), e10331. https://doi.org/10.55905/revconv.17n.9-070
Ning, Y., Kazemi, H., & Tahmasebi, P. (2022, July). A comparative machine learning study for time series oil production forecasting: ARIMA, LSTM, and Prophet. Computers & Geosciences, 164, 105126. https://doi.org/10.1016/j.cageo.2022.105126
Nusair, S. A., & Olson, D. (2019). The effects of oil price shocks on Asian exchange rates: Evidence from quantile regression analysis. Energy Economics, 78, 44–63. https://doi.org/10.1016/j.eneco.2018.11.009
Rojas, R. (1996). Neural Networks: A Systematic Introduction. Springer Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-61068-4
Sharma, S., & Yadav, M. (2020, Summer). Analyzing the robustness of ARIMA and neural networks as a predictive model of crude oil prices. Theoretical and Applied Economics, 27(2(623)), 289–300. https://bit.ly/47Cds4J
Stroock, D. W. (2011). Probability theory: An analytic view (2nd ed.). Cambridge University Press. https://bit.ly/3TZ149i
Wang, G., & Wu, J. (2013). Crude oil price forecasting based on the ARIMA and BP neural network combinatorial algorithm [Abstract]. ICLEM 2012: Logistics for Sustained Economic Development—Technology and Management for Efficiency. https://doi.org/10.1061/9780784412602.0075
White House. (2022, March 8). Fact sheet: United States bans imports of Russian oil, liquefied natural gas, and coal. The White House. https://bit.ly/4dr6j8l
Willmott, C. J., & Matsuura, K. (2005). Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate Research, 30(1), 79–82. https://doi.org/10.3354/cr030079
Yahaya, A. E., Etuk, H. E., & Amos, E. (2021). Comparative performance of ARIMA and GARCH model in forecasting crude oil price data. Asian Journal of Probability and Statistics, 15(4), 251–275. https://doi.org/10.9734/ajpas/2021/v15i430378
Yee, K. W., & Samsudin, H. B. (2021). Comparison between artificial neural network and ARIMA model in forecasting palm oil price in Malaysia. International Journal of Scientific Engineering and Science, 5(11), 12–15. https://bit.ly/3YgSQvP
Zohuri, B., Mossavar-Rahmani, F., & Behgounia, F. (2022). Statistical forecasting—regression and time series analysis. In Knowledge is Power in Four Dimensions: Models to Forecast Future Paradigm with Artificial Intelligence Integration in Energy and Other Use Cases (pp. 709–722). Elsevier. https://doi.org/10.1016/B978-0-323-95112-8.00021-0
Publicado
Número
Sección
Licencia
Derechos de autor 2024 Jorge Valverde Frias
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Los autores de las contribuciones que sean seleccionadas para su publicación la revista científica multidisciplinaria Un Espacio para la Ciencia, conservan sus derechos de autor, sin embargo a través de la publicación, permiten la difusión del contenido de los trabajos que envían a la editorial bajo la licencia Creative Commons 4.0.
