Resumen

La economía mundial ha experimentado una turbulenta inquietud en los últimos cinco años debido a las grandes subidas del precio del petróleo y a los atentados terroristas. Aunque predecir con exactitud el precio del petróleo es importante, resulta extremadamente difícil, por lo que este estudio intenta pronosticar con precisión los precios de los futuros del crudo adoptando tres métodos populares de redes neuronales, como el perceptrón multicapa, la red neuronal recurrente de Elman (ERNN) y la red neuronal difusa recurrente (RFNN). Los resultados experimentales indican que el uso de redes neuronales para predecir los precios de los futuros del crudo es adecuado y que se consigue un aprendizaje coherente empleando distintos tiempos de entrenamiento. Nuestros resultados demuestran además que, en la mayoría de las situaciones, el rendimiento del aprendizaje puede mejorarse aumentando el tiempo de entrenamiento. Además, la RFNN tiene el mejor poder predictivo y la MLP el peor entre las tres redes neuronales subyacentes. Esto demuestra que, en las ERNN y las RFNN, el poder predictivo mejora al aumentar el tiempo de entrenamiento. El caso excepcional es el de las BPN, que sugieren que el poder predictivo mejora al reducir el tiempo de entrenamiento. En resumen, concluimos que la RFNN superó a las otras dos redes neuronales en la previsión de los precios de los futuros del crudo.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:precios de los futuros del crudo, tiempo de entrenamiento, rfnn, redes neuronales, poder predictivo, métodos populares de redes neuronales, red neuronal difusa recurrente, mejor poder predictivo, futuros del crudo, diferentes tiempos de entrenamiento
• Keywords:crude oil futures prices, training time, rfnn, neural networks, predictive power, popular neural networks methods, recurrent fuzzy neural network, best predictive power, crude oil futures, different training times