Una comparación entre los modelos de componentes no observables y las redes neuronales artificiales

Abstract

Las redes neuronales artificiales han sido comúnmente usadas para pronosticar series de tiempo no lineales debido a sus ventajas; sin embargo, el procedimiento de pronóstico depende de heurísticas y juicio experto. La metodología de modelado de componentes no observables es una técnica de pronóstico basada en el filtro de Kalman y la representación de las características visuales de la serie analizada. En este artículo, se compara la habilidad de pronóstico de la aproximación ARIMA, las redes neuronales artificiales y los modelos de componentes no observables utilizando dos series benchmark. Se encontró que el modelo de componentes no observables es muy bueno para una de estas series, mientras que es muy malo para las otras. Sin embargo, es posible concluir que la proximación analizada es competitiva con las metodologías propias de la inteligencia artificial.