Modelos de pronóstico del precio del crudo: Un acercamiento desde las redes neuronales artificiales

Abstract

Los modelos enfocados en la predicción del precio de mercado del crudo WTI han tomado gran importancia en el contexto económico mundial, sobretodo en momentos recientes donde la caída extrema de los precios han llevado a multiples naciones a ver recortados significativamente sus ingresos derivados de su explotación. Los acercamientos tradicionales de series de tiempo donde se proponen los modelos ARIMA, ARCH y GARCH, modelos financieros y modelos estructurales son algunos de los enfoques más utilizados en la literatura existente, sin embargo la no linealidad de la serie así como problemas de alta volatilidad y autocorrelación serial de los residuales de los distintos modelos ajustados han introducido en la escena la utilización de las redes neuronales artificiales autorregresivas (ARNN). En el presente trabajo se propone evaluar el desempeño de pronóstico de una arquitectura óptima ARNN en comparación con modelos de series de tiempo clásicos entre los que se incluyen los modelos ARCH y GARCH además de una red neuronal artificial cuyas entradas incluyen los indices DXY y S and P500 para las frecuencias mensual, anual, diaria y semanal del precio de mercado del crudo WTI. La estimación y selección de las distintas arquitecturas probadas para las ARNN, en las distintas frecuencias de trabajo, fueron realizadas a través del paquete ARNN del lenguaje R; adicionalmente para la medición del desempeño de los distintos modelos en el conjunto de validación fueron utilizadas distintas medidas de error de pronóstico así como criterios de información. Los resultados prácticos sugieren que las ARNN ajustadas para las series de precios de mercado mensuales, diarios y semanales revelan un mejor desempeño en cuanto al pronóstico de valores futuros de cada serie.

Abstract. The models aimed to predict the oil spot price WTI have taken great importance in the world economy, especially in recent times where extreme falling prices have led many nations to see significantly cut its revenue derived from their exploitation. Traditional approaches of time series where ARIMA, ARCH and GARCH models, financial models and structural models proposed, are some of the most used in the literature approaches, however the nonlinearity of the series as well as high volatility and serial autocorrelation problems of residuals of different adjusted models have been introduced into the scene the artificial autoregressive neural networks (ARNN). The present study intends to evaluate the forecasting performance of optimal architecture ARNN compared to classic time series models containing ARCH and GARCH in addition to an artificial neural network whose inputs include DXY and S and P500 indices for monthly, annual, daily and weekly observations for oil spot price WTI. The estimation and selection of different architectures tested for ARNN in the different working frequencies were made through the package ARNN of R language; to measuring the performance of the different models in the validation set they were used different forecasting error measures and information criteria. The practical results suggest that ARNN adjusted for monthly, daily and weekly have better performance in terms of forecasting future values of each series.