Predicción del precio de azúcar en Argentina a partir de modelos de Machine Learning

Gracias al avance tecnológico vivenciado en la última década, posibilitando contar con una disponibilidad masiva de datos y una mayor facilidad de cómputo, se observaron avances en algoritmos y técnicas de aprendizaje automático. Esto abrió una nueva oportunidad para las organizaciones de contar...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Sal, Mauricio José
Otros Autores: Di Pasquale, Ricardo
Formato: Tesis de maestría acceptedVersion
Lenguaje:Español
Inglés
Publicado: Universidad Torcuato Di Tella 2024
Materias:
Análisis de datos
Data Analysis
Predicción tecnológica
Technological Prediction
Precios
Precio de productos básicos
Commodity prices
Machine Learning
Aprendizaje automático
Acceso en línea:https://repositorio.utdt.edu/handle/20.500.13098/12972
Aporte de:
Repositorio Digital Universidad Torcuato Di Tella de Universidad Torcuato Di Tella
id I57-R163-20.500.13098-12972
record_format dspace
spelling I57-R163-20.500.13098-129722024-09-11T19:27:43Z Predicción del precio de azúcar en Argentina a partir de modelos de Machine Learning Sal, Mauricio José Di Pasquale, Ricardo Análisis de datos Data Analysis Predicción tecnológica Technological Prediction Precios Precio de productos básicos Commodity prices Machine Learning Aprendizaje automático Gracias al avance tecnológico vivenciado en la última década, posibilitando contar con una disponibilidad masiva de datos y una mayor facilidad de cómputo, se observaron avances en algoritmos y técnicas de aprendizaje automático. Esto abrió una nueva oportunidad para las organizaciones de contar con cierto tipo de información que antes se consideraban inalcanzable. En Argentina, y sobre todo en el sector agropecuario, el uso de estas herramientas aún tiene un largo camino por recorrer. El objetivo de este trabajo es utilizar técnicas relacionadas con el enfoque estadístico de aprendizaje supervisado (machine learning) para predecir el precio del azúcar en el mercado argentino. El mismo, cuenta con un contexto económico y político que lleva a pensar que responde a la ley de oferta y demanda, donde el precio depende de la cantidad de oferta circulante en el país. Por otro lado, el azúcar proviene del procesamiento de la caña de azúcar producida en los campos argentinos, siendo el clima un factor relevante para la predicción de la oferta de azúcar circulante. Debido a esto, para la realización de este trabajo se combinaron los datos climáticos con datos de producción de azúcar para predecir la producción anual a través de los modelos de XGBoost, Maquinas de Vector Soporte y Redes Neuronales. A partir de esta predicción y en combinación con los precios históricos del azúcar, se utilizaron las técnicas de Regresión Lineal, Regresión Exponencial, PieceWise, Splines, Prophet y XGBoost para la predicción del precio y posterior inferencia sobre su movimiento. Durante la ejecución de ambas predicciones el mejor modelo resultó ser XGBoost, alcanzando un error porcentual en datos no observados sobre la producción anual de 10,88% y un MAPE de 9,50% en la predicción del precio. A pesar de contar con estos resultados, luego de analizar aquel modelo que proporciona el valor que tendrá el precio en el futuro, se pudo observar que el mismo no utiliza a la producción nacional como un factor determinante a la hora de realizar su predicción. Esto, no permite validar desde una perspectiva estadística la hipótesis desde la cual se parte al iniciar este trabajo. Sin embargo, este trabajo demuestra que la aplicación de técnicas de machine learning puede proporcionar con razonable precisión predicciones que resultan de gran utilidad a la hora de tomar decisiones estratégicas. 2024-08-20T18:02:49Z 2024-08-20T18:02:49Z 2024 info:eu-repo/semantics/masterThesis info:ar-repo/semantics/tesis de maestría info:eu-repo/semantics/acceptedVersion https://repositorio.utdt.edu/handle/20.500.13098/12972 spa eng Tesis y Trabajos Finales de la Universidad Torcuato Di Tella info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-sa/2.5/ar/ 64 p. application/pdf application/pdf Argentina Universidad Torcuato Di Tella
institution Universidad Torcuato Di Tella
institution_str I-57
repository_str R-163
collection Repositorio Digital Universidad Torcuato Di Tella
language Español
Inglés
orig_language_str_mv spa
eng
topic Análisis de datos
Data Analysis
Predicción tecnológica
Technological Prediction
Precios
Precio de productos básicos
Commodity prices
Machine Learning
Aprendizaje automático
spellingShingle Análisis de datos
Data Analysis
Predicción tecnológica
Technological Prediction
Precios
Precio de productos básicos
Commodity prices
Machine Learning
Aprendizaje automático
Sal, Mauricio José
Predicción del precio de azúcar en Argentina a partir de modelos de Machine Learning
topic_facet Análisis de datos
Data Analysis
Predicción tecnológica
Technological Prediction
Precios
Precio de productos básicos
Commodity prices
Machine Learning
Aprendizaje automático
description Gracias al avance tecnológico vivenciado en la última década, posibilitando contar con una disponibilidad masiva de datos y una mayor facilidad de cómputo, se observaron avances en algoritmos y técnicas de aprendizaje automático. Esto abrió una nueva oportunidad para las organizaciones de contar con cierto tipo de información que antes se consideraban inalcanzable. En Argentina, y sobre todo en el sector agropecuario, el uso de estas herramientas aún tiene un largo camino por recorrer. El objetivo de este trabajo es utilizar técnicas relacionadas con el enfoque estadístico de aprendizaje supervisado (machine learning) para predecir el precio del azúcar en el mercado argentino. El mismo, cuenta con un contexto económico y político que lleva a pensar que responde a la ley de oferta y demanda, donde el precio depende de la cantidad de oferta circulante en el país. Por otro lado, el azúcar proviene del procesamiento de la caña de azúcar producida en los campos argentinos, siendo el clima un factor relevante para la predicción de la oferta de azúcar circulante. Debido a esto, para la realización de este trabajo se combinaron los datos climáticos con datos de producción de azúcar para predecir la producción anual a través de los modelos de XGBoost, Maquinas de Vector Soporte y Redes Neuronales. A partir de esta predicción y en combinación con los precios históricos del azúcar, se utilizaron las técnicas de Regresión Lineal, Regresión Exponencial, PieceWise, Splines, Prophet y XGBoost para la predicción del precio y posterior inferencia sobre su movimiento. Durante la ejecución de ambas predicciones el mejor modelo resultó ser XGBoost, alcanzando un error porcentual en datos no observados sobre la producción anual de 10,88% y un MAPE de 9,50% en la predicción del precio. A pesar de contar con estos resultados, luego de analizar aquel modelo que proporciona el valor que tendrá el precio en el futuro, se pudo observar que el mismo no utiliza a la producción nacional como un factor determinante a la hora de realizar su predicción. Esto, no permite validar desde una perspectiva estadística la hipótesis desde la cual se parte al iniciar este trabajo. Sin embargo, este trabajo demuestra que la aplicación de técnicas de machine learning puede proporcionar con razonable precisión predicciones que resultan de gran utilidad a la hora de tomar decisiones estratégicas.
author2 Di Pasquale, Ricardo
author_facet Di Pasquale, Ricardo
Sal, Mauricio José
format Tesis de maestría
Tesis de maestría
acceptedVersion
author Sal, Mauricio José
author_sort Sal, Mauricio José
title Predicción del precio de azúcar en Argentina a partir de modelos de Machine Learning
title_short Predicción del precio de azúcar en Argentina a partir de modelos de Machine Learning
title_full Predicción del precio de azúcar en Argentina a partir de modelos de Machine Learning
title_fullStr Predicción del precio de azúcar en Argentina a partir de modelos de Machine Learning
title_full_unstemmed Predicción del precio de azúcar en Argentina a partir de modelos de Machine Learning
title_sort predicción del precio de azúcar en argentina a partir de modelos de machine learning
publisher Universidad Torcuato Di Tella
publishDate 2024
url https://repositorio.utdt.edu/handle/20.500.13098/12972
work_keys_str_mv AT salmauriciojose predicciondelpreciodeazucarenargentinaapartirdemodelosdemachinelearning
_version_ 1823894465980399616

Ejemplares similares