Examinando por Autor "Perez Perez, Lincoln Ernesto"

Mostrando 1 - 2 de 2
  • Miniatura
    Ítem
    Metodología de segmentación para el SARLAFT
    (2020-07-12) Perez Perez, Lincoln Ernesto; Rojas Ormaza, Brayan Ricardo; Pérez Pérez, Lincoln Ernesto [0000-0002-5591-9714]
    En este proyecto de graduación se presenta una metodología para segmentar el SARLAFT. Al proponer el algoritmo CLARA para la segmentación y utilizar homals para el tratamiento de datos categóricos, finalmente se ejemplificó la metodología para su uso a nivel práctico, comparándola con las metodologías presentes en las instituciones financieras, especialmente los resultados obtenidos y el tiempo de ejecución.
  • Miniatura
    Ítem
    Modelos híbridos y técnicas de machine learning para el pronóstico de series temporales en el mercado de acciones: caso Ecopetrol
    (2024-12) Torres Acero, Nicolás; Perez Perez, Lincoln Ernesto; Pacheco López, Mario José; Perez Perez, Lincoln Ernesto [0000-0002-5591-9714]
    La proyección de precios de acciones en mercados financieros es un desafío clave en el análisis económico, especialmente para inversionistas interesados en tomar decisiones informadas en un entorno de alta volatilidad. Es particularmente relevante para quienes monitorean activamente los mercados de renta variable en busca de oportunidades de inversión, aborda la necesidad de evaluar fluctuaciones de precios y ajustar estrategias en función de cambios en el mercado o desequilibrios en la cartera. Basados en esta idea se propone un enfoque híbrido para pronosticar el precio de cierre diario de las acciones de Ecopetrol, implementado el modelo ARIMAX-EGARCH al igual redes neuronales LSTM para ofrecer una solución robusta que equilibra la vigilancia de las inversiones con la toma de decisiones informadas. Utilizando datos históricos y factores macroeconómicos exógenos, se integran métodos tradicionales y técnicas de aprendizaje profundo, alcanzando precisiones de RMSE = 0.0475 para el modelo ARIMAX-EGARCH, que captura patrones lineales y la volatilidad condicional, y RMSE = 0.0352 para redes neuronales LSTM, diseñadas para abordar dinámicas no lineales. Los resultados destacan la eficacia de estos enfoques complementarios en la predicción de series temporales financieras, proporcionando a los inversionistas herramientas adicionales para interpretar las dinámicas del mercado de valores y optimizar sus estrategias.