Resumen

La previsión precisa del precio del crudo es importante para organismos gubernamentales, inversores e investigadores. Para hacer frente a este problema, en este artículo se diseña un nuevo paradigma para la reconstrucción de las funciones de modo intrínseco (FMI) de los modelos de descomposición y ensemble con el fin de reducir la complejidad del cálculo y mejorar la precisión de las previsiones. Las metodologías de descomposición y ensemble mejoran significativamente la precisión de las previsiones en el marco del "divide y vencerás" con el método propuesto de reconstrucción de las FMI. El método propuesto utiliza la autocorrelación en el retardo 1 de todos los FMI para la reconstrucción. Se emplea la técnica de descomposición empírica de modo conjunto (EEMD) para descomponer los datos en diferentes FMI. Los modelos que utilizan los datos descompuestos obtienen resultados relativamente buenos, en comparación con su aplicación a los datos no descompuestos. Sin embargo, a veces, la descomposición puede producir malos resultados debido a la acumulación de errores al final. Así pues, en este estudio se propone la reconstrucción de las FMI para minimizar el error mencionado y aumentar así la precisión de la previsión. Se utilizan los conjuntos de datos del Brent y del West Texas Intermediate (WTI) (diarios y semanales) para comparar el rendimiento de previsión de la media móvil autorregresiva integrada (ARIMA) junto con modelos de redes neuronales artificiales (RNA) con los datos descompuestos. Los resultados han demostrado que el nuevo paradigma de reconstrucción de las FMI mediante autocorrelación era una estrategia mejor y más sencilla que mejoraba significativamente el rendimiento de los modelos individuales, incluidos ARIMA y ANN. Por lo tanto, se concluye que el modelo propuesto requiere menos tiempo de cálculo y logra una mayor precisión de previsión con la reconstrucción de las FMI frente a la utilización de todas las FMI.

• Materias:Matemáticas
• Subjects:mathematics
• Palabras claves:imfs, reconstrucción, precisión de las previsiones, datos, nuevo paradigma, descomposición modal empírica conjunta, west texas intermediate, red neuronal artificial, precio del crudo, mayor precisión de las previsiones
• Keywords:imfs, reconstruction, forecasting accuracy, data, new paradigm, ensemble empirical mode decomposition, west texas intermediate, artificial neural network, crude oil price, higher forecasting accuracy