Predicción de la liquidación de divisas del sector agroexportador utilizando modelos ARIMA y redes neuronales recurrentes LSTM

La Argentina es un país que concentra principalmente su ingreso de divisas en exportaciones del sector primario, siendo el sector agropecuario la principal fuente de generación de divisas. Anticipar la magnitud de las liquidaciones del sector agroexportador permite al gobierno y a las empresas reduc...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Katogui, Cristian Marcelo
Formato: Tesis de maestría
Lenguaje:Español
Publicado: Universidad Torcuato Di Tella 2023
Materias:
Divisas
Exportaciones
Agroindustria
Predicción Tecnológica
Technological prediction
Acceso en línea:https://repositorio.utdt.edu/handle/20.500.13098/11778
Aporte de:
Repositorio Digital Universidad Torcuato Di Tella de Universidad Torcuato Di Tella
id I57-R163-20.500.13098-11778
record_format dspace
spelling I57-R163-20.500.13098-117782025-08-12T17:03:02Z Predicción de la liquidación de divisas del sector agroexportador utilizando modelos ARIMA y redes neuronales recurrentes LSTM Katogui, Cristian Marcelo Divisas Exportaciones Agroindustria Predicción Tecnológica Technological prediction La Argentina es un país que concentra principalmente su ingreso de divisas en exportaciones del sector primario, siendo el sector agropecuario la principal fuente de generación de divisas. Anticipar la magnitud de las liquidaciones del sector agroexportador permite al gobierno y a las empresas reducir la incertidumbre a la hora de realizar una planificación financiera. Esta tesis propone predecir la liquidación de divisas del sector agroexportador mediante modelos ARIMA, SARIMA y modelos de redes neuronales recurrentes “Long Short-Term Memory” (LSTM). La serie utilizada posee valores entre junio de 2002 y marzo de 2022. Los datos de entrenamiento comprenden al periodo entre junio de 2002 y abril de 2017. Se realizaron un total de 47 proyecciones con horizontes de 1 a 12 meses. Los errores en la predicción de los modelos fueron comparados con las métricas MASE y MAPE. También se tomó el test modificado de Diebol-Mariano sobre los errores de los modelos, dando como resultado al mejor modelo en capacidad predictiva al modelo SARIMA, que superó a los modelos ARIMA y el de red neuronal LSTM en precisión. Por motivos relacionados con los derechos de autor este documento solo puede ser consultado en la Biblioteca Di Tella. Para reservar una cita podés ponerte en contacto con repositorio@utdt.edu. Universidad Torcuato Di Tella 2023-05-03T15:53:23Z 2023-05-03T15:53:23Z 2022 info:eu-repo/semantics/masterThesis info:ar-repo/semantics/tesis de maestría https://repositorio.utdt.edu/handle/20.500.13098/11778 spa 2002 - 2022 info:eu-repo/semantics/restrictedAccess http://rightsstatements.org/page/InC/1.0/?language=es 49 p. application/pdf application/pdf
institution Universidad Torcuato Di Tella
institution_str I-57
repository_str R-163
collection Repositorio Digital Universidad Torcuato Di Tella
language Español
orig_language_str_mv spa
topic Divisas
Exportaciones
Agroindustria
Predicción Tecnológica
Technological prediction
spellingShingle Divisas
Exportaciones
Agroindustria
Predicción Tecnológica
Technological prediction
Katogui, Cristian Marcelo
Predicción de la liquidación de divisas del sector agroexportador utilizando modelos ARIMA y redes neuronales recurrentes LSTM
topic_facet Divisas
Exportaciones
Agroindustria
Predicción Tecnológica
Technological prediction
description La Argentina es un país que concentra principalmente su ingreso de divisas en exportaciones del sector primario, siendo el sector agropecuario la principal fuente de generación de divisas. Anticipar la magnitud de las liquidaciones del sector agroexportador permite al gobierno y a las empresas reducir la incertidumbre a la hora de realizar una planificación financiera. Esta tesis propone predecir la liquidación de divisas del sector agroexportador mediante modelos ARIMA, SARIMA y modelos de redes neuronales recurrentes “Long Short-Term Memory” (LSTM). La serie utilizada posee valores entre junio de 2002 y marzo de 2022. Los datos de entrenamiento comprenden al periodo entre junio de 2002 y abril de 2017. Se realizaron un total de 47 proyecciones con horizontes de 1 a 12 meses. Los errores en la predicción de los modelos fueron comparados con las métricas MASE y MAPE. También se tomó el test modificado de Diebol-Mariano sobre los errores de los modelos, dando como resultado al mejor modelo en capacidad predictiva al modelo SARIMA, que superó a los modelos ARIMA y el de red neuronal LSTM en precisión.
format Tesis de maestría
Tesis de maestría
author Katogui, Cristian Marcelo
author_facet Katogui, Cristian Marcelo
author_sort Katogui, Cristian Marcelo
title Predicción de la liquidación de divisas del sector agroexportador utilizando modelos ARIMA y redes neuronales recurrentes LSTM
title_short Predicción de la liquidación de divisas del sector agroexportador utilizando modelos ARIMA y redes neuronales recurrentes LSTM
title_full Predicción de la liquidación de divisas del sector agroexportador utilizando modelos ARIMA y redes neuronales recurrentes LSTM
title_fullStr Predicción de la liquidación de divisas del sector agroexportador utilizando modelos ARIMA y redes neuronales recurrentes LSTM
title_full_unstemmed Predicción de la liquidación de divisas del sector agroexportador utilizando modelos ARIMA y redes neuronales recurrentes LSTM
title_sort predicción de la liquidación de divisas del sector agroexportador utilizando modelos arima y redes neuronales recurrentes lstm
publisher Universidad Torcuato Di Tella
publishDate 2023
url https://repositorio.utdt.edu/handle/20.500.13098/11778
work_keys_str_mv AT katoguicristianmarcelo predicciondelaliquidaciondedivisasdelsectoragroexportadorutilizandomodelosarimayredesneuronalesrecurrenteslstm
_version_ 1842217724512567296

Ejemplares similares