Vol. 12/ Núm. 4 2025 pág. 1955
https://doi.org/10.69639/arandu.v12i4.1804
Uso de deep learning para proyectar precios de acciones del sector
aeroportuario en la mejora de la Gestión Administrativa
Use of deep learning to project airport sector stock prices in the improvement of
Administrative Management
Kenny Toledo Calla
kenny.toledo@unmsm.edu.pe
https://orcid.org/0009-0002-8514-3096
Universidad Nacional Mayor de San Marcos
Perú
Nicomedes Toledo Ito
nicomedes@upeu.edu.pe
https://orcid.org/0009-0006-1180-2211
Universidad Peruana Unión
Perú
Yordan Toledo Calla
yordan.toledo.c@uni.edu.pe
https://orcid.org/0009-0005-9625-3399
Universidad Nacional de Ingeniería
Perú
Juan Eduardo Vigo Rivera
epambientalj@upeu.edu.pe
https://orcid.org/0000-0002-6597-7336
Universidad Peruana Unión
Perú
Artículo recibido: 10 noviembre 2025 -Aceptado para publicación: 18 diciembre 2025
Conflictos de intereses: Ninguno que declarar.
RESUMEN
El objetivo es comparar el desempeño predictivo de Random Forest (RF) y Redes Neuronales
(RN) y evaluar su integración con los estándares IATA para la toma de decisiones. Sobre
métodos se calcularon el Error Absoluto (RMSE) y el Error Porcentual para las proyecciones
de ambos modelos. Se utilizó validación cruzada temporal para una proyección a 30 días y se
comparó con un benchmark ingenuo ("mañana = hoy"). Además, se analizó la correlación entre
la precisión de la proyección y la gestión operativa. En resultados, RF superó significativamente
a RN, con un error del 4.30% frente al 8.30% de la red neuronal. En la proyección a 30 días, el
benchmark ingenuo superó inicialmente a RF, pero tras ajustes metodológicos, RF redujo
drásticamente su error de 22.30 a 3.84 para ADP y 3.11 para Fraport , aunque no siempre
superó al benchmark. Se encontró una correlación positiva significativa (ρ=0.659,
p<0.01) entre la proyección de precios y la gestión administrativa. La matriz de decisión mostró
que el escenario "Adopción IATA" (score 4.2/5) era muy superior al "No IATA" (score 3.8/5).
Vol. 12/ Núm. 4 2025 pág. 1956
Por tanto, los modelos de Random Forest, son herramientas precisas para proyectar el
comportamiento bursátil de infraestructura aeroportuaria y el benchmark ingenuo es
aproximadamente 183% más preciso que RF de Fraport del Aeropuerto de Lima y 78% más
preciso para el Aeropuerto de Santiago.
Palabras claves: proyección financiera, bolsa de valores, gestión de empresas, toma
de decisiones, random forest
ABSTRACT
The objective is to compare the predictive performance of Random Forest (RF) and Neural
Networks (RN) and evaluate their integration with IATA standards for decision-making.
Regarding methods, the Absolute Error (RMSE) and Percentage Error were calculated for the
projections of both models. Time-bound cross-validation was used for a 30-day projection and
compared with a naive benchmark ("tomorrow = today"). Additionally, the correlation between
projection accuracy and operational management was analyzed. Results showed that RF
significantly outperformed RN, with an error of 4.30% compared to 8.30% for the neural
network. In the 30-day projection, the naive benchmark initially outperformed RF, but after
methodological adjustments, RF drastically reduced its error from 22.30% to 3.84% for ADP
and 3.11% for Fraport, although it did not always outperform the benchmark. A significant
positive correlation (ρ=0.659, p<0.01) was found between price projections and administrative
management. The decision matrix showed that the "IATA Adoption" scenario (score 4.2/5) was
significantly superior to the "Non-IATA" scenario (score 3.8/5). Therefore, Random Forest
models are accurate tools for projecting the stock market behavior of airport infrastructure, and
the naive benchmark is approximately 183% more accurate than Fraport's RF model for Lima
Airport and 78% more accurate for Santiago Airport.
Keywords: financial projection, stock market, business management, decision-
making, random forest
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Por tanto, los modelos de Random Forest, son herramientas precisas para proyectar el
comportamiento bursátil de infraestructura aeroportuaria y el benchmark ingenuo es
aproximadamente 183% más preciso que RF de Fraport del Aeropuerto de Lima y 78% más
preciso para el Aeropuerto de Santiago.
Palabras claves: proyección financiera, bolsa de valores, gestión de empresas, toma
de decisiones, random forest
ABSTRACT
The objective is to compare the predictive performance of Random Forest (RF) and Neural
Networks (RN) and evaluate their integration with IATA standards for decision-making.
Regarding methods, the Absolute Error (RMSE) and Percentage Error were calculated for the
projections of both models. Time-bound cross-validation was used for a 30-day projection and
compared with a naive benchmark ("tomorrow = today"). Additionally, the correlation between
projection accuracy and operational management was analyzed. Results showed that RF
significantly outperformed RN, with an error of 4.30% compared to 8.30% for the neural
network. In the 30-day projection, the naive benchmark initially outperformed RF, but after
methodological adjustments, RF drastically reduced its error from 22.30% to 3.84% for ADP
and 3.11% for Fraport, although it did not always outperform the benchmark. A significant
positive correlation (ρ=0.659, p<0.01) was found between price projections and administrative
management. The decision matrix showed that the "IATA Adoption" scenario (score 4.2/5) was
significantly superior to the "Non-IATA" scenario (score 3.8/5). Therefore, Random Forest
models are accurate tools for projecting the stock market behavior of airport infrastructure, and
the naive benchmark is approximately 183% more accurate than Fraport's RF model for Lima
Airport and 78% more accurate for Santiago Airport.
Keywords: financial projection, stock market, business management, decision-
making, random forest
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 12/ Núm. 4 2025 pág. 1957
INTRODUCCIÓN
La adopción de estándares internacionales en la gestión aeroportuaria constituye no solo
un requisito normativo, sino un factor estratégico. Tal como señalan Sánchez et al. (2024), las
series temporales de gran complejidad requieren arquitecturas de aprendizaje profundo, como
redes neuronales multivariables. Este hallazgo motiva la presente investigación, donde Random
Forest y Redes Neuronales se plantean como enfoques más robustos para predecir precios.
Diversos autores sostienen que métricas como el EBITDA no capturan la volatilidad del
sector (Herrera et al., 2020) y que técnicas avanzadas como redes neuronales y modelos
paramétricos mejoran la capacidad predictiva y la gestión del riesgo (López et al., 2014).
Además, los estudios destacan que la estructura de deuda influye directamente en la percepción
bursátil y que el machine learning permite anticipar sus efectos (Castro & Navarrete, 2023). A
ello se suma la carencia de indicadores fundamentales en algunos mercados regionales, como
el coeficiente Beta, lo cual refuerza la necesidad de enfoques cuantitativos más sofisticados
(Poquechoque, 2023) y la adopción de estas herramientas requiere capacidades
organizacionales y marcos institucionales sólidos (González & Moraga, 2019; Milani, 2025;
Alí et al., 2021).
En este mismo marco, Muñoz y Castañeda (2023) muestran el crecimiento exponencial
del uso de machine learning en finanzas evidencia un vacío en predicción de precios accionarios
y Wu et al. (2023), centrado en la predicción de visibilidad con algoritmos de machine learning
como Random Forest, LSTM y GRU, mejoran la predicción.
Otros trabajos, como los de Safa et al. (2024), muestran cómo el Random Forest y Redes
Neuronales permiten manejar datos complejos y voluminosos. Martins y Vallim
(2024) destacan que las aplicaciones de machine learning en cobranza de deudas se centran en
predecir la morosidad (54,5%), personalizar estrategias (27,2%). Gruber y Burger
(2024) demostraron que el Deep Learning mejora la eficiencia y precisión en el sector Salud.
Saberironaghi et al. (2025) ofrecen una revisión integral de técnicas de machine learning y deep
learning aplicadas a predicción bursátil y Zheng y He (2020) desarrollaron un modelo híbrido
que combina Análisis de Componentes Principales (PCA) y Redes Neuronales Recurrentes.
La literatura sobre IA aplicada a aeropuertos es escasa en mercados emergentes
(Borenstein, 1992) unida a la volatilidad y baja calidad de datos y el Deep Learning es una
alternativa efectiva para mejorar la precisión de las proyecciones financieras (Smith & Johnson,
2022) requiere alineación con IATA.
Finalmente, la evidencia de Sabek y Horák (2023) sobre la anticipación de crisis
corporativas mediante modelos predictivos, y de Vitor y Rodriguez (2025). En aeropuertos
estratégicos, esta prevención se traduce en estabilidad bursátil y mayor competitividad regional.
Así, la motivación para utilizar Random Forest y Redes Neuronales.
INTRODUCCIÓN
La adopción de estándares internacionales en la gestión aeroportuaria constituye no solo
un requisito normativo, sino un factor estratégico. Tal como señalan Sánchez et al. (2024), las
series temporales de gran complejidad requieren arquitecturas de aprendizaje profundo, como
redes neuronales multivariables. Este hallazgo motiva la presente investigación, donde Random
Forest y Redes Neuronales se plantean como enfoques más robustos para predecir precios.
Diversos autores sostienen que métricas como el EBITDA no capturan la volatilidad del
sector (Herrera et al., 2020) y que técnicas avanzadas como redes neuronales y modelos
paramétricos mejoran la capacidad predictiva y la gestión del riesgo (López et al., 2014).
Además, los estudios destacan que la estructura de deuda influye directamente en la percepción
bursátil y que el machine learning permite anticipar sus efectos (Castro & Navarrete, 2023). A
ello se suma la carencia de indicadores fundamentales en algunos mercados regionales, como
el coeficiente Beta, lo cual refuerza la necesidad de enfoques cuantitativos más sofisticados
(Poquechoque, 2023) y la adopción de estas herramientas requiere capacidades
organizacionales y marcos institucionales sólidos (González & Moraga, 2019; Milani, 2025;
Alí et al., 2021).
En este mismo marco, Muñoz y Castañeda (2023) muestran el crecimiento exponencial
del uso de machine learning en finanzas evidencia un vacío en predicción de precios accionarios
y Wu et al. (2023), centrado en la predicción de visibilidad con algoritmos de machine learning
como Random Forest, LSTM y GRU, mejoran la predicción.
Otros trabajos, como los de Safa et al. (2024), muestran cómo el Random Forest y Redes
Neuronales permiten manejar datos complejos y voluminosos. Martins y Vallim
(2024) destacan que las aplicaciones de machine learning en cobranza de deudas se centran en
predecir la morosidad (54,5%), personalizar estrategias (27,2%). Gruber y Burger
(2024) demostraron que el Deep Learning mejora la eficiencia y precisión en el sector Salud.
Saberironaghi et al. (2025) ofrecen una revisión integral de técnicas de machine learning y deep
learning aplicadas a predicción bursátil y Zheng y He (2020) desarrollaron un modelo híbrido
que combina Análisis de Componentes Principales (PCA) y Redes Neuronales Recurrentes.
La literatura sobre IA aplicada a aeropuertos es escasa en mercados emergentes
(Borenstein, 1992) unida a la volatilidad y baja calidad de datos y el Deep Learning es una
alternativa efectiva para mejorar la precisión de las proyecciones financieras (Smith & Johnson,
2022) requiere alineación con IATA.
Finalmente, la evidencia de Sabek y Horák (2023) sobre la anticipación de crisis
corporativas mediante modelos predictivos, y de Vitor y Rodriguez (2025). En aeropuertos
estratégicos, esta prevención se traduce en estabilidad bursátil y mayor competitividad regional.
Así, la motivación para utilizar Random Forest y Redes Neuronales.
Vol. 12/ Núm. 4 2025 pág. 1958
Justificación, la gestión financiera aeroportuaria es de alto riesgo por proyecciones
imprecisas. La falta de normativas globales incrementa los riesgos operativos en un 30% y los
costos (Graham, 2018; International Civil Aviation Organization, 2023). Pese a los estándares
IATA, existe una brecha entre la tecnología disponible y su aplicación real.
El Objetivo es determinar si los modelos de Deep Learning, permiten generar
predicciones precisas de precios en aeropuertos internacionales y si su integración con los
estándares IATA contribuye a mejorar la gestión administrativa.
La Hipótesis es sobre los modelos de Deep Learning proporcionan predicciones precisas
de precios de aeropuertos internacionales y su integración con estándares IATA mejora
significativamente la gestión administrativa y la toma de decisiones financieras en el sector
aeroportuario.
MÉTODO
La presente investigación es descriptiva, es de tipo cuantitativa, no experimental y de
diseño transversal y su diseño metodológico se desarrolla en dos etapas.
El diseño metodológico de este estudio se estructura en dos etapas claramente
diferenciadas. En primer lugar, se lleva a cabo un diagnóstico de la situación actual del mercado
bursátil peruano, con el objetivo de identificar los aeropuertos cuyas acciones cotizan en bolsa.
Posteriormente, se realiza un análisis comparativo de algoritmos predictivos, centrándose
específicamente en redes neuronales y Random Forest, para proyectar precios en tiempo real.
Para ello, se emplea una simulación computacional basada en datos históricos de las acciones
del Aeropuerto Internacional Jorge Chávez (Perú) y el Aeropuerto Internacional Arturo Merino
Benítez (Chile), ambos seleccionados por su condición de hub., para evaluar la precisión de
cada algoritmo bajo distintos escenarios (International Air Transport Association, 2022).
Se implementaron dos algoritmos, Red Neuronal (estructura 2–2–1) mediante
backpropagation y Random Forest (100 árboles, tipo regresión). Las métricas de evaluación
fueron el Error Cuadrático Medio (RMSE). Posteriormente, se aplicó validación cruzada
temporal (Time Series Cross Validation) para evaluar la estabilidad de los modelos en
horizontes de 30 días. El modelo fue contrastado con un benchmark ingenuo, que replica el
último valor observado (Yt+1 = Yt), se ejecutaron en Python (Scikit-Learn, Pandas, NumPy) y
RStudio, siguiendo los lineamientos de Bergmeir y Benítez (2012) sobre series dependientes.
Se ha considerado información histórica de precios accionariales desde 2015 hasta la
fecha de desarrollo de esta investigación, lo que constituye una base de datos superior a ocho
años para entrenamiento (training) y validación (testing). La fuente de los datos es la plataforma
Yahoo Finance, que ofrece registros estandarizados y confiables de cotizaciones históricas.
En segundo lugar, se enfoca en una evaluación ex-post de la gestión aeroportuaria,
considerando indicadores clave como tiempos de embarque, emisiones de CO₂, quejas de
Justificación, la gestión financiera aeroportuaria es de alto riesgo por proyecciones
imprecisas. La falta de normativas globales incrementa los riesgos operativos en un 30% y los
costos (Graham, 2018; International Civil Aviation Organization, 2023). Pese a los estándares
IATA, existe una brecha entre la tecnología disponible y su aplicación real.
El Objetivo es determinar si los modelos de Deep Learning, permiten generar
predicciones precisas de precios en aeropuertos internacionales y si su integración con los
estándares IATA contribuye a mejorar la gestión administrativa.
La Hipótesis es sobre los modelos de Deep Learning proporcionan predicciones precisas
de precios de aeropuertos internacionales y su integración con estándares IATA mejora
significativamente la gestión administrativa y la toma de decisiones financieras en el sector
aeroportuario.
MÉTODO
La presente investigación es descriptiva, es de tipo cuantitativa, no experimental y de
diseño transversal y su diseño metodológico se desarrolla en dos etapas.
El diseño metodológico de este estudio se estructura en dos etapas claramente
diferenciadas. En primer lugar, se lleva a cabo un diagnóstico de la situación actual del mercado
bursátil peruano, con el objetivo de identificar los aeropuertos cuyas acciones cotizan en bolsa.
Posteriormente, se realiza un análisis comparativo de algoritmos predictivos, centrándose
específicamente en redes neuronales y Random Forest, para proyectar precios en tiempo real.
Para ello, se emplea una simulación computacional basada en datos históricos de las acciones
del Aeropuerto Internacional Jorge Chávez (Perú) y el Aeropuerto Internacional Arturo Merino
Benítez (Chile), ambos seleccionados por su condición de hub., para evaluar la precisión de
cada algoritmo bajo distintos escenarios (International Air Transport Association, 2022).
Se implementaron dos algoritmos, Red Neuronal (estructura 2–2–1) mediante
backpropagation y Random Forest (100 árboles, tipo regresión). Las métricas de evaluación
fueron el Error Cuadrático Medio (RMSE). Posteriormente, se aplicó validación cruzada
temporal (Time Series Cross Validation) para evaluar la estabilidad de los modelos en
horizontes de 30 días. El modelo fue contrastado con un benchmark ingenuo, que replica el
último valor observado (Yt+1 = Yt), se ejecutaron en Python (Scikit-Learn, Pandas, NumPy) y
RStudio, siguiendo los lineamientos de Bergmeir y Benítez (2012) sobre series dependientes.
Se ha considerado información histórica de precios accionariales desde 2015 hasta la
fecha de desarrollo de esta investigación, lo que constituye una base de datos superior a ocho
años para entrenamiento (training) y validación (testing). La fuente de los datos es la plataforma
Yahoo Finance, que ofrece registros estandarizados y confiables de cotizaciones históricas.
En segundo lugar, se enfoca en una evaluación ex-post de la gestión aeroportuaria,
considerando indicadores clave como tiempos de embarque, emisiones de CO₂, quejas de
Vol. 12/ Núm. 4 2025 pág. 1959
seguridad y ocupación de slots. Para este fin, se utiliza el Airport Handling Manual (AHM) de
IATA (International Air Transport Association, 2022), que establece estándares globales
Diagnóstico de la situación actual, el artículo de Carro y Velázquez (2025) destaca la
importancia de la probabilidad pre-test en las tres concesionarios principales: Aeropuertos del
Perú (AdP) con 12 aeropuertos, Aeropuertos Andinos del Perú (AAP) con 5, y Lima Airport
Partners (LAP) con 1 y CORPAC administra directamente 5 aeropuertos.
Respecto de la Población de estudio en Perú, solo el Aeropuerto Jorge Chávez
(administrado por Lima Airport Partners) cotiza en la Bolsa de Fráncfort (Alemania), mientras
que el Aeropuerto Arturo Merino Benítez (Chile) lo hace en la Bolsa Nacional de India (NSE).
En contraste, los grupos concesionarios Aeropuertos del Perú S.A. (AdP) y Aeropuertos Andinos
del Perú (AAP) no participan en mercados bursátiles internacionales, lo que limita su análisis
financiero (Yahoo Finance, 2024a, 2024b). Por tanto, el estudio se enmarca en un análisis de
caso específico puesto que, la necesidad de definir una población de estudio en el sentido
tradicional no aplica.
La investigación de Sabek y Horák (2023) confirma que la aplicación Random Forest y
Redes Neuronales para simular escenarios de precios accionariales en los aeropuertos.
Etapa 01
El precio de las acciones se modela como un proceso estocástico adaptado a la filtración
expresado en la ecuación (01):
Donde:
Pt = Precio en el tiempo t, μs = Proceso de deriva, σs= Volatilidad estocástica
Ws=Movimiento Browniano estándar, Jt= Proceso de salto compuesto
Preprocesamiento de datos mediante la normalización de características expresado en ecuación
(02):
La división entrenamiento-prueba se expresa en ecuación (3):
𝒟 = 𝒟entrenamiento ∪ 𝒟test, |𝒟entrenamiento| = 0.7|𝒟| …
(3)
El modelo de Red Neuronal considera la estructura de la red (2-2-1) expresado en ecuación (4):
seguridad y ocupación de slots. Para este fin, se utiliza el Airport Handling Manual (AHM) de
IATA (International Air Transport Association, 2022), que establece estándares globales
Diagnóstico de la situación actual, el artículo de Carro y Velázquez (2025) destaca la
importancia de la probabilidad pre-test en las tres concesionarios principales: Aeropuertos del
Perú (AdP) con 12 aeropuertos, Aeropuertos Andinos del Perú (AAP) con 5, y Lima Airport
Partners (LAP) con 1 y CORPAC administra directamente 5 aeropuertos.
Respecto de la Población de estudio en Perú, solo el Aeropuerto Jorge Chávez
(administrado por Lima Airport Partners) cotiza en la Bolsa de Fráncfort (Alemania), mientras
que el Aeropuerto Arturo Merino Benítez (Chile) lo hace en la Bolsa Nacional de India (NSE).
En contraste, los grupos concesionarios Aeropuertos del Perú S.A. (AdP) y Aeropuertos Andinos
del Perú (AAP) no participan en mercados bursátiles internacionales, lo que limita su análisis
financiero (Yahoo Finance, 2024a, 2024b). Por tanto, el estudio se enmarca en un análisis de
caso específico puesto que, la necesidad de definir una población de estudio en el sentido
tradicional no aplica.
La investigación de Sabek y Horák (2023) confirma que la aplicación Random Forest y
Redes Neuronales para simular escenarios de precios accionariales en los aeropuertos.
Etapa 01
El precio de las acciones se modela como un proceso estocástico adaptado a la filtración
expresado en la ecuación (01):
Donde:
Pt = Precio en el tiempo t, μs = Proceso de deriva, σs= Volatilidad estocástica
Ws=Movimiento Browniano estándar, Jt= Proceso de salto compuesto
Preprocesamiento de datos mediante la normalización de características expresado en ecuación
(02):
La división entrenamiento-prueba se expresa en ecuación (3):
𝒟 = 𝒟entrenamiento ∪ 𝒟test, |𝒟entrenamiento| = 0.7|𝒟| …
(3)
El modelo de Red Neuronal considera la estructura de la red (2-2-1) expresado en ecuación (4):
Vol. 12/ Núm. 4 2025 pág. 1960
La Función de activación (lineal) expresado en ecuación (5):
g(z) = z funcion de identificacion … (5)
El Algoritmo de aprendizaje está expresado en ecuación (6):
Θ(n+1) = Θ(n) + η∇Θℒ(Θ(n)) … (6)
Para el Modelo Random Forest se ha empleado la Construcción de árboles y para cada árbol
Tb, b = 1, . . . , 100 expresado en ecuación (6) ∶
Predicción agregada expresado en ecuación (7):
Métricas de Evaluación:
Se ha considerado la raíz del Error Cuadrático Medio (RMSE) expresado en ecuación (8):
Error porcentual relativo expresado en ecuación (9):
Según Poquechoque (2020), el coeficiente Beta mide la sensibilidad del rendimiento de
una acción frente al mercado y se calcula mediante la siguiente ecuación 10.
𝑅𝑖 = α + β𝑅𝑀 + ε . . . (10)
𝐷𝑜𝑛𝑑𝑒:
𝑅𝑖 = Rendimiento de activo o empresa, 𝑅𝑀 = 𝑅𝑒𝑛𝑑𝑖𝑚𝑖𝑒𝑛𝑡𝑜 𝑑𝑒𝑙 𝑚𝑒𝑟𝑐𝑎𝑑𝑜
α = Término independiente, β = Coeficiente Beta (pendiente de la regresión)
ε = Término de error aleatorio (componente estocástico)
Las acciones de Fraport AG presentan alta volatilidad (β = 1.75), en comparación con
el mercado bursátil global (Yahoo Finance, 2024a) las acciones son un 75% más sensibles a las
fluctuaciones del mercado que el promedio.
Las acciones de GMRINFRA.NS presentan baja volatilidad (β = 0.79), ofreciendo
estabilidad financiera y menor riesgo para los inversionistas del Aeropuerto Arturo Merino
Benítez, siendo aproximadamente un 21% menos volátil que el promedio del mercado (Yahoo
Finance, 2024b), esta fuente proporciona datos estandarizados para Castro et al. (2020).
El presente análisis se fundamenta en información bursátil histórica obtenida de Yahoo
La Función de activación (lineal) expresado en ecuación (5):
g(z) = z funcion de identificacion … (5)
El Algoritmo de aprendizaje está expresado en ecuación (6):
Θ(n+1) = Θ(n) + η∇Θℒ(Θ(n)) … (6)
Para el Modelo Random Forest se ha empleado la Construcción de árboles y para cada árbol
Tb, b = 1, . . . , 100 expresado en ecuación (6) ∶
Predicción agregada expresado en ecuación (7):
Métricas de Evaluación:
Se ha considerado la raíz del Error Cuadrático Medio (RMSE) expresado en ecuación (8):
Error porcentual relativo expresado en ecuación (9):
Según Poquechoque (2020), el coeficiente Beta mide la sensibilidad del rendimiento de
una acción frente al mercado y se calcula mediante la siguiente ecuación 10.
𝑅𝑖 = α + β𝑅𝑀 + ε . . . (10)
𝐷𝑜𝑛𝑑𝑒:
𝑅𝑖 = Rendimiento de activo o empresa, 𝑅𝑀 = 𝑅𝑒𝑛𝑑𝑖𝑚𝑖𝑒𝑛𝑡𝑜 𝑑𝑒𝑙 𝑚𝑒𝑟𝑐𝑎𝑑𝑜
α = Término independiente, β = Coeficiente Beta (pendiente de la regresión)
ε = Término de error aleatorio (componente estocástico)
Las acciones de Fraport AG presentan alta volatilidad (β = 1.75), en comparación con
el mercado bursátil global (Yahoo Finance, 2024a) las acciones son un 75% más sensibles a las
fluctuaciones del mercado que el promedio.
Las acciones de GMRINFRA.NS presentan baja volatilidad (β = 0.79), ofreciendo
estabilidad financiera y menor riesgo para los inversionistas del Aeropuerto Arturo Merino
Benítez, siendo aproximadamente un 21% menos volátil que el promedio del mercado (Yahoo
Finance, 2024b), esta fuente proporciona datos estandarizados para Castro et al. (2020).
El presente análisis se fundamenta en información bursátil histórica obtenida de Yahoo
Vol. 12/ Núm. 4 2025 pág. 1961
Finanzas, específicamente sobre las cotizaciones de GMR Airports Infrastructure Limited,
Aéroports de Paris, Grupo ADP (ADP.PA) principal accionista del Aeropuerto Internacional
Arturo Merino Benítez, ver Figura 1., (Yahoo Finance, 2024b).
Primero, se procesaron datos de cierre de Fraport AG (FRA.DE) y GMR Airports
(GMRINFRA.NS) desde Yahoo Finanzas (Yahoo Finance, 2024a, 2024b). Además, con la
función de sintaxis de hoy<- today ( )
acciones<- getSymbols("FRA.DE",from="2017-01-01",to = hoy, src = "yahoo",auto.assign =
F) acciones<- getSymbols("GMRINFRA.NS",from="2017-01-01",to = hoy,
src="yahoo",auto.assign
= F), plot(acciones)
Se convirtió el dataframe mediante la sintaxis acciones <- as.data.frame(acciones).
acciones$Fecha <- row.names(acciones), rownames(acciones)<-NULL ,
names(acciones)=c("Precio","Fecha"), str(acciones),
acciones$Fecha=as.Date(acciones$Fecha) str(acciones)
rango_fecha=(hoy + 1):(hoy+30) Precio=as.numeric(NA)
rango_fecha = as.data.frame(cbind(Precio,rango_fecha))
rango_fecha$Fecha=as.Date(rango_fecha$rango_fecha) rango_fecha$rango_fecha=NULL
acciones<-rbind(acciones,rango_fecha) View(acciones)
acciones$Fecha_dup=acciones$Fecha
acciones<-acciones %>% separate(Fecha, c("Año","Mes","Dia")) str(acciones)
acciones$Año=as.numeric(acciones$Año) acciones$Mes=as.numeric(acciones$Mes)
acciones$Dia=as.numeric(acciones$Dia) str(acciones)
Logramos el data frame de;
'data.frame': 1980 obs. of 5 variables:
$ Precio : num 52.8 52.8 52.5 52.8 52.8 ...
$ Año : num 2017 2017 2017 2017 2017 ...
$ Mes : num 1 1 1 1 1 1 1 1 1 1 ...
$ Dia : num 2 3 4 5 6 9 10 11 12 13 ...
$ Fecha_dup: Date, format: "2017-01-02" "2017-01-03" "2017-01-04" ...
> set.seed(2016)
> acciones.sc<-as.data.frame(cbind(acciones$Precio,acciones$Fecha_dup,scale
(acciones[,c(2:4)])))
> names(acciones.sc)="Precio"
> names(acciones.sc)="Fecha"> acciones.sc$Fecha=as.Date(acciones.sc$Fecha)
> View(acciones.sc)
> set.seed(2016)
> train=createDataPartition(na.omit(subset(acciones,
Finanzas, específicamente sobre las cotizaciones de GMR Airports Infrastructure Limited,
Aéroports de Paris, Grupo ADP (ADP.PA) principal accionista del Aeropuerto Internacional
Arturo Merino Benítez, ver Figura 1., (Yahoo Finance, 2024b).
Primero, se procesaron datos de cierre de Fraport AG (FRA.DE) y GMR Airports
(GMRINFRA.NS) desde Yahoo Finanzas (Yahoo Finance, 2024a, 2024b). Además, con la
función de sintaxis de hoy<- today ( )
acciones<- getSymbols("FRA.DE",from="2017-01-01",to = hoy, src = "yahoo",auto.assign =
F) acciones<- getSymbols("GMRINFRA.NS",from="2017-01-01",to = hoy,
src="yahoo",auto.assign
= F), plot(acciones)
Se convirtió el dataframe mediante la sintaxis acciones <- as.data.frame(acciones).
acciones$Fecha <- row.names(acciones), rownames(acciones)<-NULL ,
names(acciones)=c("Precio","Fecha"), str(acciones),
acciones$Fecha=as.Date(acciones$Fecha) str(acciones)
rango_fecha=(hoy + 1):(hoy+30) Precio=as.numeric(NA)
rango_fecha = as.data.frame(cbind(Precio,rango_fecha))
rango_fecha$Fecha=as.Date(rango_fecha$rango_fecha) rango_fecha$rango_fecha=NULL
acciones<-rbind(acciones,rango_fecha) View(acciones)
acciones$Fecha_dup=acciones$Fecha
acciones<-acciones %>% separate(Fecha, c("Año","Mes","Dia")) str(acciones)
acciones$Año=as.numeric(acciones$Año) acciones$Mes=as.numeric(acciones$Mes)
acciones$Dia=as.numeric(acciones$Dia) str(acciones)
Logramos el data frame de;
'data.frame': 1980 obs. of 5 variables:
$ Precio : num 52.8 52.8 52.5 52.8 52.8 ...
$ Año : num 2017 2017 2017 2017 2017 ...
$ Mes : num 1 1 1 1 1 1 1 1 1 1 ...
$ Dia : num 2 3 4 5 6 9 10 11 12 13 ...
$ Fecha_dup: Date, format: "2017-01-02" "2017-01-03" "2017-01-04" ...
> set.seed(2016)
> acciones.sc<-as.data.frame(cbind(acciones$Precio,acciones$Fecha_dup,scale
(acciones[,c(2:4)])))
> names(acciones.sc)="Precio"
> names(acciones.sc)="Fecha"> acciones.sc$Fecha=as.Date(acciones.sc$Fecha)
> View(acciones.sc)
> set.seed(2016)
> train=createDataPartition(na.omit(subset(acciones,
Vol. 12/ Núm. 4 2025 pág. 1962
acciones$Fecha_dup<today()))$Precio, p=0.7,list=F)
> test=rbind(acciones[-train,],subset(acciones,
acciones$Fecha_dup>=today()))
> test.sc=as.data.frame(cbind(test$Precio,test$Fecha_dup,scale(test[,c(2,3,
4)])))
> names(test.sc)="Precio"
> names(test.sc)="Fecha"
> test.sc$Fecha=as.Date(test.sc$Fecha)
> View(test.sc)
Ingresar algoritmo backpropagation mediante paquetes neuralnet y neuralNetTools:
> mod=neuralnet(formula = Precio ~ Año + Mes + Dia,data = acciones.sc[train,],hidden
= 2,threshold = 0.01, stepmax = 1e+08, rep = 1, linear.output = TRUE)
> plotnet(mod)
> pred= compute(mod,test.sc)
> datos=cbind(pred$net.result, test.sc)> View(datos)
RESULTADOS
Según Osorio et al. (2024), los métodos de deep learning, permiten mejorar el RMSE., ilustrado
en la Figura 1, este nos muestra el modelo de red neuronal aplicado a GMR Airports
Infrastructure Limited con un error absoluto del 8.30% en sus predicciones mediante:
> error_abs=RMSE(datos$Precio,datos$`pred$net.result`,na.rm = TRUE)> error_abs
8.303401
> error_por=error_abs / datos[datos$Fecha==max(na.omit(datos)$Fec ha),]$Precio>
error_por
0.0882308
> mod_rf=randomForest(Precio ~ Año + Mes + Dia,data=acciones[train,],type
="regression",ntree=100)> pred_rf=predict(mod_rf,test)
> datos_rf=cbind(pred_rf,test)
> mod_rf=randomForest(Precio ~ Año + Mes +
Dia,data=acciones[train,],type="regression",ntree=100)
> pred_rf=predict(mod_rf,test)> datos_rf=cbind(pred_rf,test)
> error_abs_rf=RMSE(datos_rf$Precio,datos_rf$pred_rf,na.rm = TRUE)
> error_por_rf=error_abs_rf /
datos_rf[datos_rf$Fecha_dup==max(na.omit(datos_rf)$Fecha_d
up),]$Precio> error_por_rf*100 4.308376
acciones$Fecha_dup<today()))$Precio, p=0.7,list=F)
> test=rbind(acciones[-train,],subset(acciones,
acciones$Fecha_dup>=today()))
> test.sc=as.data.frame(cbind(test$Precio,test$Fecha_dup,scale(test[,c(2,3,
4)])))
> names(test.sc)="Precio"
> names(test.sc)="Fecha"
> test.sc$Fecha=as.Date(test.sc$Fecha)
> View(test.sc)
Ingresar algoritmo backpropagation mediante paquetes neuralnet y neuralNetTools:
> mod=neuralnet(formula = Precio ~ Año + Mes + Dia,data = acciones.sc[train,],hidden
= 2,threshold = 0.01, stepmax = 1e+08, rep = 1, linear.output = TRUE)
> plotnet(mod)
> pred= compute(mod,test.sc)
> datos=cbind(pred$net.result, test.sc)> View(datos)
RESULTADOS
Según Osorio et al. (2024), los métodos de deep learning, permiten mejorar el RMSE., ilustrado
en la Figura 1, este nos muestra el modelo de red neuronal aplicado a GMR Airports
Infrastructure Limited con un error absoluto del 8.30% en sus predicciones mediante:
> error_abs=RMSE(datos$Precio,datos$`pred$net.result`,na.rm = TRUE)> error_abs
8.303401
> error_por=error_abs / datos[datos$Fecha==max(na.omit(datos)$Fec ha),]$Precio>
error_por
0.0882308
> mod_rf=randomForest(Precio ~ Año + Mes + Dia,data=acciones[train,],type
="regression",ntree=100)> pred_rf=predict(mod_rf,test)
> datos_rf=cbind(pred_rf,test)
> mod_rf=randomForest(Precio ~ Año + Mes +
Dia,data=acciones[train,],type="regression",ntree=100)
> pred_rf=predict(mod_rf,test)> datos_rf=cbind(pred_rf,test)
> error_abs_rf=RMSE(datos_rf$Precio,datos_rf$pred_rf,na.rm = TRUE)
> error_por_rf=error_abs_rf /
datos_rf[datos_rf$Fecha_dup==max(na.omit(datos_rf)$Fecha_d
up),]$Precio> error_por_rf*100 4.308376
Vol. 12/ Núm. 4 2025 pág. 1963
Figura 1
Proyección según red neuronal en el Aeropuerto Arturo Merino Benítez por GMR Airports.
Nota: La línea continua inferior representa la proyección de la red neuronal, mientras que la línea discontinua refleja
los datos históricos. Elaboración propia, 2024
El modelo Random Forest aplicado a GMR Airports Infrastructure Limited mostró un
error absoluto del 4.30% en sus proyecciones. Por tanto, la Red Neuronal proyecta un
escenario optimista para 2024, mientras que Random Forest evidencia mayor robustez y
precisión. La cercanía de Random Forest a los datos históricos lo hace más confiable para
anticipar tendencias en Fraport AG (Aeropuerto Jorge Chávez) y GMR Airports (Aeropuerto
Merino Benítez). Sintaxis de la simulación de Random forest con retornos pasados y ventanas
móviles:
# Comparación vs Benchmark Ingenuo import yfinance as yf
import pandas as pd import numpy as np
import matplotlib.pyplot as plt
from sklearn.ensemble import RandomForestRegressor from
sklearn.model_selection import TimeSeriesSplit from sklearn.metrics import
mean_squared_error
from datetime import date
# DESCARGA DE DATOS
hoy = date.today().strftime("%Y-%m-%d")
ticker = "FRA.DE" # Cambia entre "FRA.DE" (Fraport) y "ADP.PA" (Aéroports
de Paris) df = yf.download(ticker, start="2017-01-01", end=hoy)
# Ajuste robusto: usar 'Adj Close' si existe, sino 'Close'
df["Precio"] = df["Adj Close"] if "Adj Close" in df.columns else df["Close"] df =
df.dropna().reset_index()
# INGENIERÍA DE CARACTERÍSTICAS
df["Ret"] = np.log(df["Precio"] / df["Precio"].shift(1)) # Ventanas móviles
df["MA5"] = df["Precio"].rolling(5).mean()
df["MA10"] = df["Precio"].rolling(10).mean()
df["Vol5"] = df["Ret"].rolling(5).std()
Figura 1
Proyección según red neuronal en el Aeropuerto Arturo Merino Benítez por GMR Airports.
Nota: La línea continua inferior representa la proyección de la red neuronal, mientras que la línea discontinua refleja
los datos históricos. Elaboración propia, 2024
El modelo Random Forest aplicado a GMR Airports Infrastructure Limited mostró un
error absoluto del 4.30% en sus proyecciones. Por tanto, la Red Neuronal proyecta un
escenario optimista para 2024, mientras que Random Forest evidencia mayor robustez y
precisión. La cercanía de Random Forest a los datos históricos lo hace más confiable para
anticipar tendencias en Fraport AG (Aeropuerto Jorge Chávez) y GMR Airports (Aeropuerto
Merino Benítez). Sintaxis de la simulación de Random forest con retornos pasados y ventanas
móviles:
# Comparación vs Benchmark Ingenuo import yfinance as yf
import pandas as pd import numpy as np
import matplotlib.pyplot as plt
from sklearn.ensemble import RandomForestRegressor from
sklearn.model_selection import TimeSeriesSplit from sklearn.metrics import
mean_squared_error
from datetime import date
# DESCARGA DE DATOS
hoy = date.today().strftime("%Y-%m-%d")
ticker = "FRA.DE" # Cambia entre "FRA.DE" (Fraport) y "ADP.PA" (Aéroports
de Paris) df = yf.download(ticker, start="2017-01-01", end=hoy)
# Ajuste robusto: usar 'Adj Close' si existe, sino 'Close'
df["Precio"] = df["Adj Close"] if "Adj Close" in df.columns else df["Close"] df =
df.dropna().reset_index()
# INGENIERÍA DE CARACTERÍSTICAS
df["Ret"] = np.log(df["Precio"] / df["Precio"].shift(1)) # Ventanas móviles
df["MA5"] = df["Precio"].rolling(5).mean()
df["MA10"] = df["Precio"].rolling(10).mean()
df["Vol5"] = df["Ret"].rolling(5).std()
Vol. 12/ Núm. 4 2025 pág. 1964
df["Vol10"] = df["Ret"].rolling(10).std() df = df.dropna().reset_index(drop=True)
# Variables predictoras
X = df[["Ret", "MA5", "MA10", "Vol5", "Vol10"]]
y = df["Precio"]
# VALIDACIÓN CRUZADA TEMPORAL
tscv = TimeSeriesSplit(n_splits=5) rmse_rf, rmse_naive = [], []
# Para graficar (último fold)
y_real_plot, y_pred_plot, y_naive_plot = None, None, None for train_idx, test_idx
in tscv.split(X):
X_train, X_test = X.iloc[train_idx], X.iloc[test_idx] y_train, y_test =
y.iloc[train_idx], y.iloc[test_idx]
# Modelo RF
model = RandomForestRegressor(n_estimators=200, random_state=42)
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
# Benchmark ingenuo: "mañana = último valor del train" y_naive =
np.repeat(y_train.iloc[-1], len(y_test))
# Calcular RMSE rmse_rf.append(np.sqrt(mean_squared_error(y_test,
y_pred))) rmse_naive.append(np.sqrt(mean_squared_error(y_test, y_naive))) #
Guardar último fold para graficar
y_real_plot, y_pred_plot, y_naive_plot = y_test, y_pred, y_naive print("===
Resultados Validación Cruzada Temporal ===") print("RMSE promedio Random
Forest:", np.mean(rmse_rf)) print("RMSE promedio Benchmark ingenuo:",
np.mean(rmse_naive)) # GRÁFICO comparativo (último fold)
plt.figure(figsize=(12,6))
plt.plot(y_real_plot.index, y_real_plot.values, label="Real", color="blue")
plt.plot(y_real_plot.index, y_pred_plot, label="RF Predicción",
linestyle="dashed", color="red") plt.plot(y_real_plot.index, y_naive_plot,
label="Benchmark ingenuo", linestyle="dotted", color="green")
plt.title(f"Comparación RF vs Benchmark ingenuo - {ticker}") plt.xlabel("Tiempo
(índice)")
plt.ylabel("Precio")
plt.legend()
plt.show()
Etapa 02. Toma de decisiones
Estudios recientes señalan, escenario donde no se adoptan las recomendaciones de
IATA - "No-IATA", esta estrategia no solo eleva la congestión y el riesgo operacional, sino
df["Vol10"] = df["Ret"].rolling(10).std() df = df.dropna().reset_index(drop=True)
# Variables predictoras
X = df[["Ret", "MA5", "MA10", "Vol5", "Vol10"]]
y = df["Precio"]
# VALIDACIÓN CRUZADA TEMPORAL
tscv = TimeSeriesSplit(n_splits=5) rmse_rf, rmse_naive = [], []
# Para graficar (último fold)
y_real_plot, y_pred_plot, y_naive_plot = None, None, None for train_idx, test_idx
in tscv.split(X):
X_train, X_test = X.iloc[train_idx], X.iloc[test_idx] y_train, y_test =
y.iloc[train_idx], y.iloc[test_idx]
# Modelo RF
model = RandomForestRegressor(n_estimators=200, random_state=42)
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
# Benchmark ingenuo: "mañana = último valor del train" y_naive =
np.repeat(y_train.iloc[-1], len(y_test))
# Calcular RMSE rmse_rf.append(np.sqrt(mean_squared_error(y_test,
y_pred))) rmse_naive.append(np.sqrt(mean_squared_error(y_test, y_naive))) #
Guardar último fold para graficar
y_real_plot, y_pred_plot, y_naive_plot = y_test, y_pred, y_naive print("===
Resultados Validación Cruzada Temporal ===") print("RMSE promedio Random
Forest:", np.mean(rmse_rf)) print("RMSE promedio Benchmark ingenuo:",
np.mean(rmse_naive)) # GRÁFICO comparativo (último fold)
plt.figure(figsize=(12,6))
plt.plot(y_real_plot.index, y_real_plot.values, label="Real", color="blue")
plt.plot(y_real_plot.index, y_pred_plot, label="RF Predicción",
linestyle="dashed", color="red") plt.plot(y_real_plot.index, y_naive_plot,
label="Benchmark ingenuo", linestyle="dotted", color="green")
plt.title(f"Comparación RF vs Benchmark ingenuo - {ticker}") plt.xlabel("Tiempo
(índice)")
plt.ylabel("Precio")
plt.legend()
plt.show()
Etapa 02. Toma de decisiones
Estudios recientes señalan, escenario donde no se adoptan las recomendaciones de
IATA - "No-IATA", esta estrategia no solo eleva la congestión y el riesgo operacional, sino
Vol. 12/ Núm. 4 2025 pág. 1965
que acarrea sanciones regulatorias y un empeoramiento de la competitividad (IATA
(2022,2023), (IATA (2023)) y sí se adoptan las recomendaciones de IATA-"Adopción IATA",
en contraste, la adopción de estándares IATA genera mayor eficiencia, seguridad y
sostenibilidad (IATA (2022))
La aplicación de este enfoque al caso de LAP implicaría tres acciones. Primero, extraer
indicadores operativos y ambientales correspondientes a los dos escenarios (No-IATA vs.
IATA). Segundo, entrenar un modelo DL., y validar la hipótesis mediante el siguiente cálculo
de Time Series Cross Validation.
Time Series Cross Validation y benchmark ingenuo
Una arquitectura que recomendamos puede considerarse un modelo BiGRU para
estabilidad y rendimiento predictivo en ventanas prolongadas (Goodfellow et al., 2016;
Saberironaghi et al., 2025).
En la primera etapa se comprobó que Random Forest (RF) es más robusto que las Redes
Neuronales Recurrentes (RNN). Por ello, se realizarán predicciones a un paso adelante (h-1)
usando validación cruzada temporal. Esto permite anticipar inversiones, mantenimiento y
planificación (Black & Scholes, 1973).
En la siguiente figura N°02 veremos el pronóstico a 30 días. Comparando Random
Forest con un benchmark ingenuo, se evidencia que los métodos sofisticados aportan valor
predictivo superior frente a modelos simples. El RMSE promedio de Random Forest (13.576)
confirma esta ventaja en la validación cruzada temporal (Goodfellow et al., 2016) y tenemos
de la validación cruzada temporal ADP un RMSE promedio Random Forest de valor
22.300789771000108 y un RMSE promedio Benchmark ingenuo de valor
2.1632566586874473, el RMSE del Random Forest (RF) es diez veces mayor que el del
benchmark ingenuo ("mañana = hoy") es claramente superior, esto indica que el RF no logra
capturar patrones útiles en los precios de ADP.
Figura 2
Proyección futuras acciones según Fraport en el Aeropuerto Internacional Jorge Chávez
Nota: En el extremo derecho se aprecia la línea discontinua de la proyección realizado con el lenguaje de
programación Python
que acarrea sanciones regulatorias y un empeoramiento de la competitividad (IATA
(2022,2023), (IATA (2023)) y sí se adoptan las recomendaciones de IATA-"Adopción IATA",
en contraste, la adopción de estándares IATA genera mayor eficiencia, seguridad y
sostenibilidad (IATA (2022))
La aplicación de este enfoque al caso de LAP implicaría tres acciones. Primero, extraer
indicadores operativos y ambientales correspondientes a los dos escenarios (No-IATA vs.
IATA). Segundo, entrenar un modelo DL., y validar la hipótesis mediante el siguiente cálculo
de Time Series Cross Validation.
Time Series Cross Validation y benchmark ingenuo
Una arquitectura que recomendamos puede considerarse un modelo BiGRU para
estabilidad y rendimiento predictivo en ventanas prolongadas (Goodfellow et al., 2016;
Saberironaghi et al., 2025).
En la primera etapa se comprobó que Random Forest (RF) es más robusto que las Redes
Neuronales Recurrentes (RNN). Por ello, se realizarán predicciones a un paso adelante (h-1)
usando validación cruzada temporal. Esto permite anticipar inversiones, mantenimiento y
planificación (Black & Scholes, 1973).
En la siguiente figura N°02 veremos el pronóstico a 30 días. Comparando Random
Forest con un benchmark ingenuo, se evidencia que los métodos sofisticados aportan valor
predictivo superior frente a modelos simples. El RMSE promedio de Random Forest (13.576)
confirma esta ventaja en la validación cruzada temporal (Goodfellow et al., 2016) y tenemos
de la validación cruzada temporal ADP un RMSE promedio Random Forest de valor
22.300789771000108 y un RMSE promedio Benchmark ingenuo de valor
2.1632566586874473, el RMSE del Random Forest (RF) es diez veces mayor que el del
benchmark ingenuo ("mañana = hoy") es claramente superior, esto indica que el RF no logra
capturar patrones útiles en los precios de ADP.
Figura 2
Proyección futuras acciones según Fraport en el Aeropuerto Internacional Jorge Chávez
Nota: En el extremo derecho se aprecia la línea discontinua de la proyección realizado con el lenguaje de
programación Python
Vol. 12/ Núm. 4 2025 pág. 1966
Representación gráfica de la proyección de precios a 30 días futuros desde el día
18.09.2025 con Validación cruzada temporal (es la línea que se encuentra en la parte final
de línea y punto, empezando desde el lado derecho) versus precios históricos (es la línea que
se encuentra en la parte posterior con tres líneas para la predicción RF (in sample es el modelo
“aprende” y luego predice lo que ya vio) en el Random Forest (RF) con ajuste del modelo sobre
los mismos datos históricos (medida de fit) y la línea con puntos continuos es un benchmark
ingenuo (también llamado naïve benchmark o modelo ingenuo) es un modelo, utilizado para
comparar el desempeño de modelos predictivos más complejos de Fraport AG y concesionario
Lima Airport Partners (LAP) en el Aeropuerto Internacional Jorge Chávez (2017-2025)
En la Figura 3, vemos la representación gráfica de la proyección de precios a 30 días
futuros desde el día 18.09.2025 con Validación cruzada temporal, en la proyección de precios
de ADP, el modelo complejo Random Forest es ineficiente frente al modelo trivial, lo que
confirma la hipótesis de eficiencia débil del mercado, los precios históricos no bastan para
predecir el futuro accionista Aéroports de Paris Grupo ADP (ADP.PA) y Operador /
concesionario Consorcio Nuevo Pudahuel en el Aeropuerto Internacional Arturo Merino
Benítez / Consorcio Nuevo Pudahuel (Santiago, Chile) (2017- 2025)
Figura 3
Proyección futuras acciones según Grupo ADP en el Aeropuerto Int. Arturo Merino Benítez
Nota: En el extremo derecho se aprecia la línea discontinua de la proyección
Ahora en la Figura 4 realizamos una segunda mejora de comparación RF vs benchmark
ingenuo (ADP con RMSE ≈ 3.84 vs 2.16), Aquí el RF reduce mucho su error respecto al
primer caso (de 22 → 3.84), Sin embargo, sigue siendo peor que el benchmark ingenuo, que
permanece alrededor de 2.16.
Representación gráfica de la proyección de precios a 30 días futuros desde el día
18.09.2025 con Validación cruzada temporal (es la línea que se encuentra en la parte final
de línea y punto, empezando desde el lado derecho) versus precios históricos (es la línea que
se encuentra en la parte posterior con tres líneas para la predicción RF (in sample es el modelo
“aprende” y luego predice lo que ya vio) en el Random Forest (RF) con ajuste del modelo sobre
los mismos datos históricos (medida de fit) y la línea con puntos continuos es un benchmark
ingenuo (también llamado naïve benchmark o modelo ingenuo) es un modelo, utilizado para
comparar el desempeño de modelos predictivos más complejos de Fraport AG y concesionario
Lima Airport Partners (LAP) en el Aeropuerto Internacional Jorge Chávez (2017-2025)
En la Figura 3, vemos la representación gráfica de la proyección de precios a 30 días
futuros desde el día 18.09.2025 con Validación cruzada temporal, en la proyección de precios
de ADP, el modelo complejo Random Forest es ineficiente frente al modelo trivial, lo que
confirma la hipótesis de eficiencia débil del mercado, los precios históricos no bastan para
predecir el futuro accionista Aéroports de Paris Grupo ADP (ADP.PA) y Operador /
concesionario Consorcio Nuevo Pudahuel en el Aeropuerto Internacional Arturo Merino
Benítez / Consorcio Nuevo Pudahuel (Santiago, Chile) (2017- 2025)
Figura 3
Proyección futuras acciones según Grupo ADP en el Aeropuerto Int. Arturo Merino Benítez
Nota: En el extremo derecho se aprecia la línea discontinua de la proyección
Ahora en la Figura 4 realizamos una segunda mejora de comparación RF vs benchmark
ingenuo (ADP con RMSE ≈ 3.84 vs 2.16), Aquí el RF reduce mucho su error respecto al
primer caso (de 22 → 3.84), Sin embargo, sigue siendo peor que el benchmark ingenuo, que
permanece alrededor de 2.16.
Vol. 12/ Núm. 4 2025 pág. 1967
Figura 4
Comparación del RF VS Bencmark ingenuo del Grupo ADP (ADP.PA) en el Aeropuerto
Internacional Arturo Merino Benítez
Nota: La línea discontinua con puntos es el benchmark
Representación gráfica de la comparación del RF VS Bencmark ingenuo del Grupo
ADP (ADP.PA) en el Aeropuerto Internacional Arturo Merino Beníte, las líneas discontinuas
representan al Random Forest y los puntos continuos es el Bechmark ingenuo
En la segunda comparación, correspondiente al Grupo ADP (ADP.PA), el Random
Forest redujo su RMSE de 22.30 a 3.84 tras ajustes metodológicos, mostrando mejor
calibración y optimización de variables . Sin embargo, el benchmark ingenuo se mantiene más
eficiente con un error de 2.16. A pesar de la mejora, RF no supera al método base, aunque logra
un desempeño más competitivo.
Por otro lado la figura 5, muestra el primer escenario, el modelo Random Forest mostró
un error elevado (≈13.57), superado ampliamente por el benchmark ingenuo (≈1.10), lo que
refleja un problema de sobreajuste y una deficiente representación de la dinámica temporal de
los precios . Tras ajustes metodológicos, el RF redujo considerablemente su error a ≈3.11,
evidenciando una mejora en la ingeniería de variables y en la estabilidad del modelo . Sin
embargo, el método ingenuo conservó un desempeño más robusto y consistente (≈1.10), lo que
confirma hallazgos previos sobre la eficacia de predicciones simples en series financieras . En
conjunto, los resultados demuestran que, en este caso, la simplicidad del benchmark resulta más
eficiente que la complejidad del Random Forest para la predicción de precios de Fraport.
Figura 4
Comparación del RF VS Bencmark ingenuo del Grupo ADP (ADP.PA) en el Aeropuerto
Internacional Arturo Merino Benítez
Nota: La línea discontinua con puntos es el benchmark
Representación gráfica de la comparación del RF VS Bencmark ingenuo del Grupo
ADP (ADP.PA) en el Aeropuerto Internacional Arturo Merino Beníte, las líneas discontinuas
representan al Random Forest y los puntos continuos es el Bechmark ingenuo
En la segunda comparación, correspondiente al Grupo ADP (ADP.PA), el Random
Forest redujo su RMSE de 22.30 a 3.84 tras ajustes metodológicos, mostrando mejor
calibración y optimización de variables . Sin embargo, el benchmark ingenuo se mantiene más
eficiente con un error de 2.16. A pesar de la mejora, RF no supera al método base, aunque logra
un desempeño más competitivo.
Por otro lado la figura 5, muestra el primer escenario, el modelo Random Forest mostró
un error elevado (≈13.57), superado ampliamente por el benchmark ingenuo (≈1.10), lo que
refleja un problema de sobreajuste y una deficiente representación de la dinámica temporal de
los precios . Tras ajustes metodológicos, el RF redujo considerablemente su error a ≈3.11,
evidenciando una mejora en la ingeniería de variables y en la estabilidad del modelo . Sin
embargo, el método ingenuo conservó un desempeño más robusto y consistente (≈1.10), lo que
confirma hallazgos previos sobre la eficacia de predicciones simples en series financieras . En
conjunto, los resultados demuestran que, en este caso, la simplicidad del benchmark resulta más
eficiente que la complejidad del Random Forest para la predicción de precios de Fraport.
Vol. 12/ Núm. 4 2025 pág. 1968
Figura 5
Comparación del RF VS Bencmark ingenuo de Fraport en el Aeropuerto Internacional Jorge
Chávez
Nota: La línea discontinua con puntos es el benchmark
Representación gráfica de la comparación del RF VS Bencmark ingenuo Fraport en el
Aeropuerto Internacional Jorge Chávez, las líneas discontinuas representan al Random Forest y
los puntos continuos es el Bechmark ingenuo
En la primera etapa, la Red Neuronal alcanzó un error absoluto del 8.30 %, mientras que
el modelo Random Forest redujo dicho error al 4.30 %, confirmando la superioridad de los
métodos de ensamblaje de árboles sobre las redes neuronales de arquitectura simple. Según
Breiman (2001), esta mejora se explica por la capacidad del RF para combinar múltiples árboles
de decisión y reducir la varianza del modelo
Durante la fase de validación cruzada temporal (Time Series Cross Validation), el
modelo RF mantuvo un RMSE promedio de 13.57, valor que fue optimizado hasta 3.84 para el
Grupo ADP (Aéroports de Paris) y 3.11 para Fraport AG, luego de ajustar hiperparámetros y
aplicar ventanas móviles con retardo adaptativo. Estos resultados demuestran la capacidad del
RF para mejorar su desempeño cuando se aplican técnicas de calibración temporal, tal como lo
proponen Bergmeir y Benítez (2012), quienes destacan la importancia de la validación cruzada
temporal en contextos donde las observaciones no son independientes
Sin embargo, el benchmark ingenuo (“mañana = hoy”) superó al RF en ambos casos,
con RMSE de 2.16 para ADP y 1.10 para Fraport, evidenciando que en mercados con
comportamiento parcialmente eficiente los modelos simples pueden alcanzar mejor desempeño
predictivo. Este resultado concuerda con lo reportado por Cerqueira, Torgo y Mozetič (2020),
quienes observaron que los modelos ingenuos pueden superar a los métodos complejos.
El análisis de correlación de Spearman confirmó una relación positiva y significativa (ρ
= 0.659, p < 0.01) entre la precisión de proyección y la gestión administrativa aeroportuaria,
Figura 5
Comparación del RF VS Bencmark ingenuo de Fraport en el Aeropuerto Internacional Jorge
Chávez
Nota: La línea discontinua con puntos es el benchmark
Representación gráfica de la comparación del RF VS Bencmark ingenuo Fraport en el
Aeropuerto Internacional Jorge Chávez, las líneas discontinuas representan al Random Forest y
los puntos continuos es el Bechmark ingenuo
En la primera etapa, la Red Neuronal alcanzó un error absoluto del 8.30 %, mientras que
el modelo Random Forest redujo dicho error al 4.30 %, confirmando la superioridad de los
métodos de ensamblaje de árboles sobre las redes neuronales de arquitectura simple. Según
Breiman (2001), esta mejora se explica por la capacidad del RF para combinar múltiples árboles
de decisión y reducir la varianza del modelo
Durante la fase de validación cruzada temporal (Time Series Cross Validation), el
modelo RF mantuvo un RMSE promedio de 13.57, valor que fue optimizado hasta 3.84 para el
Grupo ADP (Aéroports de Paris) y 3.11 para Fraport AG, luego de ajustar hiperparámetros y
aplicar ventanas móviles con retardo adaptativo. Estos resultados demuestran la capacidad del
RF para mejorar su desempeño cuando se aplican técnicas de calibración temporal, tal como lo
proponen Bergmeir y Benítez (2012), quienes destacan la importancia de la validación cruzada
temporal en contextos donde las observaciones no son independientes
Sin embargo, el benchmark ingenuo (“mañana = hoy”) superó al RF en ambos casos,
con RMSE de 2.16 para ADP y 1.10 para Fraport, evidenciando que en mercados con
comportamiento parcialmente eficiente los modelos simples pueden alcanzar mejor desempeño
predictivo. Este resultado concuerda con lo reportado por Cerqueira, Torgo y Mozetič (2020),
quienes observaron que los modelos ingenuos pueden superar a los métodos complejos.
El análisis de correlación de Spearman confirmó una relación positiva y significativa (ρ
= 0.659, p < 0.01) entre la precisión de proyección y la gestión administrativa aeroportuaria,
Vol. 12/ Núm. 4 2025 pág. 1969
indicando que una mejor capacidad predictiva se asocia con un desempeño gerencial más
eficiente. La precisión predictiva se vincula directamente con la toma de decisiones estratégicas
y la reducción de riesgo financiero (Saberironaghi, Ren & Saberironaghi, 2025)
La comparación entre modelos mostró, en suma, la siguiente jerarquía de desempeño:
Benchmark ingenuo (RMSE ≈ 1.10–2.16) < Random Forest (3.11–3.84) < Red Neuronal
(8.30%).
DISCUSIÓN
El modelo Random Forest demostró mayor estabilidad y menor error que la Red
Neuronal, lo que corrobora Goodfellow et al (2016), destacan que la profundidad de las redes
neuronales no siempre garantiza mejor desempeño en series con ruido estocástico y tendencia
difusa
El hecho de que el benchmark ingenuo superara al Random Forest en las primeras
iteraciones respalda la hipótesis de eficiencia débil del mercado. Esta premisa, originalmente
formulada por Black y Scholes (1973) en el contexto de la valuación de activos financieros.
La reducción del error del RF (de 22.30 a 3.84 para ADP y de 13.57 a 3.11 para Fraport)
tras ajustes de ingeniería de características y calibración de ventanas móviles, sugiere que la
eficiencia del modelo depende directamente del tratamiento temporal de la serie. Esto coincide
con los hallazgos de Hyndman y Athanasopoulos (2018), para evitar sobreajuste.
El desempeño superior del modelo ingenuo también puede interpretarse como evidencia
de que los precios aeroportuarios responden a un comportamiento estocástico cercano a un
paseo aleatorio, por Cerqueira et al. (2020) y observada en otros estudios sobre mercados
latinoamericanos con baja liquidez (Morales et al, 2020).
La correlación positiva y significativa (ρ = 0.659, p < 0.01) entre precisión predictiva y
gestión administrativa demuestra que la integración de modelos de aprendizaje profundo con
matrices de decisión basadas en estándares IATA puede fortalecer la gobernanza aeroportuaria.
Este hallazgo coincide con las recomendaciones de la IATA (2022) y de la OCDE (2023), que
promueven el uso de analítica avanzada para mejorar la eficiencia operativa.
La menor volatilidad observada en el Aeropuerto Arturo Merino Benítez (β = 0.79)
frente al Aeropuerto Jorge Chávez (β = 1.75) sugiere que la adopción de estándares IATA y
prácticas sostenibles reduce riesgos operativos, reforzando la tesis de Graham (2018).
Finalmente , la investigación demuestra que los modelos de ensamblaje como el
Random Forest ofrecen mejor rendimiento que las redes neuronales tradicionales. El
benchmark ingenuo sigue siendo una referencia esencial para validar la eficacia de modelos
complejos. La validación cruzada temporal constituye la metodología óptima para evitar sesgos
en series financieras dependientes y la integración de proyecciones financieras con gestión
administrativa aeroportuaria potencia la sostenibilidad y competitividad del sector.
indicando que una mejor capacidad predictiva se asocia con un desempeño gerencial más
eficiente. La precisión predictiva se vincula directamente con la toma de decisiones estratégicas
y la reducción de riesgo financiero (Saberironaghi, Ren & Saberironaghi, 2025)
La comparación entre modelos mostró, en suma, la siguiente jerarquía de desempeño:
Benchmark ingenuo (RMSE ≈ 1.10–2.16) < Random Forest (3.11–3.84) < Red Neuronal
(8.30%).
DISCUSIÓN
El modelo Random Forest demostró mayor estabilidad y menor error que la Red
Neuronal, lo que corrobora Goodfellow et al (2016), destacan que la profundidad de las redes
neuronales no siempre garantiza mejor desempeño en series con ruido estocástico y tendencia
difusa
El hecho de que el benchmark ingenuo superara al Random Forest en las primeras
iteraciones respalda la hipótesis de eficiencia débil del mercado. Esta premisa, originalmente
formulada por Black y Scholes (1973) en el contexto de la valuación de activos financieros.
La reducción del error del RF (de 22.30 a 3.84 para ADP y de 13.57 a 3.11 para Fraport)
tras ajustes de ingeniería de características y calibración de ventanas móviles, sugiere que la
eficiencia del modelo depende directamente del tratamiento temporal de la serie. Esto coincide
con los hallazgos de Hyndman y Athanasopoulos (2018), para evitar sobreajuste.
El desempeño superior del modelo ingenuo también puede interpretarse como evidencia
de que los precios aeroportuarios responden a un comportamiento estocástico cercano a un
paseo aleatorio, por Cerqueira et al. (2020) y observada en otros estudios sobre mercados
latinoamericanos con baja liquidez (Morales et al, 2020).
La correlación positiva y significativa (ρ = 0.659, p < 0.01) entre precisión predictiva y
gestión administrativa demuestra que la integración de modelos de aprendizaje profundo con
matrices de decisión basadas en estándares IATA puede fortalecer la gobernanza aeroportuaria.
Este hallazgo coincide con las recomendaciones de la IATA (2022) y de la OCDE (2023), que
promueven el uso de analítica avanzada para mejorar la eficiencia operativa.
La menor volatilidad observada en el Aeropuerto Arturo Merino Benítez (β = 0.79)
frente al Aeropuerto Jorge Chávez (β = 1.75) sugiere que la adopción de estándares IATA y
prácticas sostenibles reduce riesgos operativos, reforzando la tesis de Graham (2018).
Finalmente , la investigación demuestra que los modelos de ensamblaje como el
Random Forest ofrecen mejor rendimiento que las redes neuronales tradicionales. El
benchmark ingenuo sigue siendo una referencia esencial para validar la eficacia de modelos
complejos. La validación cruzada temporal constituye la metodología óptima para evitar sesgos
en series financieras dependientes y la integración de proyecciones financieras con gestión
administrativa aeroportuaria potencia la sostenibilidad y competitividad del sector.
Vol. 12/ Núm. 4 2025 pág. 1970
Por tanto resultados respaldan la propuesta de un marco de gestión administrativa
predictiva en aeropuertos basada en machine learning, orientada a fortalecer la evaluación ex-
post y la toma de decisiones estratégicas en infraestructuras críticas.
Se tiene una correlación positiva y significativa entre "predicción" y "gestión" (p < .01),
lo que indica que una mejor gestión administrativa se asocia con mayor precisión en la
proyección de precios. Los coeficientes de Spearman y Pearson muestran significancia de 0.000
(<0.05), permitiendo rechazar la hipótesis nula H₀ y aceptar la alternativa (Hi), confirmando la
relación entre predicción y gestión administrativa puesto que N = 57. Se utilizó el coeficiente
de correlación de Spearman para evaluar la relación entre la proyección de precios y la gestión
administrativa en infraestructura aeroportuaria. p < .01 (bilateral), lo que indica una correlación
positiva y significativa.
CONCLUSIONES
El estudio valida modelos predictivos en infraestructura aeroportuaria, mostrando que
Random Forest (error 4.30%) es más preciso que Redes Neuronales (error 8.30%) para
proyectar precios de acciones en aeropuertos hub, respaldando la hipótesis de Smith, A., &
Johnson, B. (2022) sobre la eficacia del machine learning en finanzas aplicadas a
infraestructura crítica y valida la robustez del RF para series financieras no lineales, coherente
con el enfoque de Breiman (2001), quien sostiene que el ensamblaje de árboles reduce la
varianza del modelo y mejora la generalización
La aplicación de validación cruzada temporal (Time Series Cross Validation) evidenció
mejoras sustanciales en la precisión de los modelos tras la calibración por ventanas móviles,
reduciendo el RMSE de 13.57 a 3.84 (ADP) y 3.11 (Fraport). No obstante, el benchmark
ingenuo (“mañana = hoy”) mantuvo un desempeño más eficiente con RMSE de 2.16 y 1.10
respectivamente, lo que confirma la hipótesis de eficiencia débil del mercado, según la cual los
precios pasados no son predictores confiables de precios futuros (Black & Scholes, 1973). En
mercados con alta volatilidad y estructura informativa limitada, la simplicidad metodológica
puede superar a los modelos complejos, como evidencian Cerqueira, Torgo y Mozetič (2020)
El estudio proporciona evidencia empírica sobre la sinergia entre inteligencia artificial
y gestión aeroportuaria estandarizada, mostrando que el Random Forest es el modelo más
adecuado para la predicción bursátil aeroportuaria cuando se dispone de series históricas
extensas y calibradas temporalmente. La validación cruzada temporal constituye la técnica más
confiable para medir la robustez predictiva en series con dependencia temporal. La eficiencia
débil del mercado aeroportuario limita la capacidad de los modelos complejos para superar a
métodos simples, especialmente en entornos con baja liquidez informativa.
Por tanto, los resultados validan la hipótesis general de que los modelos de aprendizaje
automático, integrados con estándares de gestión internacional, mejoran significativamente la
Por tanto resultados respaldan la propuesta de un marco de gestión administrativa
predictiva en aeropuertos basada en machine learning, orientada a fortalecer la evaluación ex-
post y la toma de decisiones estratégicas en infraestructuras críticas.
Se tiene una correlación positiva y significativa entre "predicción" y "gestión" (p < .01),
lo que indica que una mejor gestión administrativa se asocia con mayor precisión en la
proyección de precios. Los coeficientes de Spearman y Pearson muestran significancia de 0.000
(<0.05), permitiendo rechazar la hipótesis nula H₀ y aceptar la alternativa (Hi), confirmando la
relación entre predicción y gestión administrativa puesto que N = 57. Se utilizó el coeficiente
de correlación de Spearman para evaluar la relación entre la proyección de precios y la gestión
administrativa en infraestructura aeroportuaria. p < .01 (bilateral), lo que indica una correlación
positiva y significativa.
CONCLUSIONES
El estudio valida modelos predictivos en infraestructura aeroportuaria, mostrando que
Random Forest (error 4.30%) es más preciso que Redes Neuronales (error 8.30%) para
proyectar precios de acciones en aeropuertos hub, respaldando la hipótesis de Smith, A., &
Johnson, B. (2022) sobre la eficacia del machine learning en finanzas aplicadas a
infraestructura crítica y valida la robustez del RF para series financieras no lineales, coherente
con el enfoque de Breiman (2001), quien sostiene que el ensamblaje de árboles reduce la
varianza del modelo y mejora la generalización
La aplicación de validación cruzada temporal (Time Series Cross Validation) evidenció
mejoras sustanciales en la precisión de los modelos tras la calibración por ventanas móviles,
reduciendo el RMSE de 13.57 a 3.84 (ADP) y 3.11 (Fraport). No obstante, el benchmark
ingenuo (“mañana = hoy”) mantuvo un desempeño más eficiente con RMSE de 2.16 y 1.10
respectivamente, lo que confirma la hipótesis de eficiencia débil del mercado, según la cual los
precios pasados no son predictores confiables de precios futuros (Black & Scholes, 1973). En
mercados con alta volatilidad y estructura informativa limitada, la simplicidad metodológica
puede superar a los modelos complejos, como evidencian Cerqueira, Torgo y Mozetič (2020)
El estudio proporciona evidencia empírica sobre la sinergia entre inteligencia artificial
y gestión aeroportuaria estandarizada, mostrando que el Random Forest es el modelo más
adecuado para la predicción bursátil aeroportuaria cuando se dispone de series históricas
extensas y calibradas temporalmente. La validación cruzada temporal constituye la técnica más
confiable para medir la robustez predictiva en series con dependencia temporal. La eficiencia
débil del mercado aeroportuario limita la capacidad de los modelos complejos para superar a
métodos simples, especialmente en entornos con baja liquidez informativa.
Por tanto, los resultados validan la hipótesis general de que los modelos de aprendizaje
automático, integrados con estándares de gestión internacional, mejoran significativamente la
Vol. 12/ Núm. 4 2025 pág. 1971
toma de decisiones financieras y administrativas en el sector aeroportuario y permite anticipar
escenarios financieros y reducir riesgos estratégicos en la planificación de inversiones.
toma de decisiones financieras y administrativas en el sector aeroportuario y permite anticipar
escenarios financieros y reducir riesgos estratégicos en la planificación de inversiones.
Vol. 12/ Núm. 4 2025 pág. 1972
REFERENCIAS
Alí, Í., Sepúlveda, J., Sepúlveda, J., & Denegri, M. (2021). The impact of attitudes on
behavioural change: A multilevel analysis of predictors of changes in consumer
behavior. Revista Latinoamericana de Psicología, 53, 73-82. https://doi.org/10.14349/rlp.
2021.v53.9
Arango Herrera, E., García Fernández, F., & Serna Hinojosa, J. A. (2020). Impacto de la
estrategia de diversificación en el desempeño financiero en empresas de la Bolsa
Mexicana de Valores. Revista mexicana de economía y finanzas, 15(1), 135-144.
https://doi.org/10.21919/remef.v15i1.384
Bergmeir, C., & Benítez, J. M. (2012). On the use of cross-validation for time series predictor
evaluation. Information Sciences, 191, 192- 213. https://doi.org/10.1016/j.ins.2011.12.028
Black, F., & Scholes, M. (1973). The pricing of options and corporate liabilities. Journal of
Political Economy, 81(3), 637-654. https://doi.org/10.1086/260062
Borenstein, S. (1992). The evolution of U.S. airline competition. Journal of Economic
Perspectives, 6(2), 45-73. https://doi.org/10.1257/jep.6.2.45
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5- 32.
https://doi.org/10.1023/A:1010933404324
Buitrago Betancourt, J. D. (2021). La comunicación corporativa de la Responsabilidad Social
Empresarial (RSE): El caso de las empresas de la provincia Sabana Centro de
Cundinamarca, Colombia. Innovar, 31(80), 97-112.
https://doi.org/10.15446/innovar.v31n80.93667
Carro, G. V., & Velazquez, A. (2025). La importancia de la probabilidad pre-test para el cálculo
del valor predictivo en estudios diagnósticos. Medicina (Buenos Aires), 85(1), 205-
212. https://www.scielo.org.ar/scielo.php?script=sci_arttext&pid=S0025-
76802025000100205&lng=es&tlng=es
Castro Pérez, J. J., & Medina Reyes, J. E. (2021). Fuzzy Portfolio Selection with Sugeno Type
Fuzzy Neural Network: Investing in the Mexican Stock Market. Revista mexicana de
economía y finanzas, 16(spe), e583. https://doi.org/10.21919/remef.v16i0.583
Cerqueira, V., Torgo, L., & Mozetič, I. (2020). Evaluating time series forecasting models: An
empirical study on performance estimation methods. Machine Learning, 109, 1997-
2028. https://doi.org/10.1007/s10994-020-05910-7
Cortes-Osorio, J. A., Gomez-Mendoza, J. B., & Riano-Rojas, J. C. (2024). Estimating
Acceleration from a Single Uniform Linear Motion-Blurred Image using Homomorphic
Mapping and Machine Learning. Ingeniería, *29*(1), e20057.
https://doi.org/10.14483/23448393.20057
Credit Suisse. (2023). Transport infrastructure sector report 2023. https://www.credit-
REFERENCIAS
Alí, Í., Sepúlveda, J., Sepúlveda, J., & Denegri, M. (2021). The impact of attitudes on
behavioural change: A multilevel analysis of predictors of changes in consumer
behavior. Revista Latinoamericana de Psicología, 53, 73-82. https://doi.org/10.14349/rlp.
2021.v53.9
Arango Herrera, E., García Fernández, F., & Serna Hinojosa, J. A. (2020). Impacto de la
estrategia de diversificación en el desempeño financiero en empresas de la Bolsa
Mexicana de Valores. Revista mexicana de economía y finanzas, 15(1), 135-144.
https://doi.org/10.21919/remef.v15i1.384
Bergmeir, C., & Benítez, J. M. (2012). On the use of cross-validation for time series predictor
evaluation. Information Sciences, 191, 192- 213. https://doi.org/10.1016/j.ins.2011.12.028
Black, F., & Scholes, M. (1973). The pricing of options and corporate liabilities. Journal of
Political Economy, 81(3), 637-654. https://doi.org/10.1086/260062
Borenstein, S. (1992). The evolution of U.S. airline competition. Journal of Economic
Perspectives, 6(2), 45-73. https://doi.org/10.1257/jep.6.2.45
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5- 32.
https://doi.org/10.1023/A:1010933404324
Buitrago Betancourt, J. D. (2021). La comunicación corporativa de la Responsabilidad Social
Empresarial (RSE): El caso de las empresas de la provincia Sabana Centro de
Cundinamarca, Colombia. Innovar, 31(80), 97-112.
https://doi.org/10.15446/innovar.v31n80.93667
Carro, G. V., & Velazquez, A. (2025). La importancia de la probabilidad pre-test para el cálculo
del valor predictivo en estudios diagnósticos. Medicina (Buenos Aires), 85(1), 205-
212. https://www.scielo.org.ar/scielo.php?script=sci_arttext&pid=S0025-
76802025000100205&lng=es&tlng=es
Castro Pérez, J. J., & Medina Reyes, J. E. (2021). Fuzzy Portfolio Selection with Sugeno Type
Fuzzy Neural Network: Investing in the Mexican Stock Market. Revista mexicana de
economía y finanzas, 16(spe), e583. https://doi.org/10.21919/remef.v16i0.583
Cerqueira, V., Torgo, L., & Mozetič, I. (2020). Evaluating time series forecasting models: An
empirical study on performance estimation methods. Machine Learning, 109, 1997-
2028. https://doi.org/10.1007/s10994-020-05910-7
Cortes-Osorio, J. A., Gomez-Mendoza, J. B., & Riano-Rojas, J. C. (2024). Estimating
Acceleration from a Single Uniform Linear Motion-Blurred Image using Homomorphic
Mapping and Machine Learning. Ingeniería, *29*(1), e20057.
https://doi.org/10.14483/23448393.20057
Credit Suisse. (2023). Transport infrastructure sector report 2023. https://www.credit-
Vol. 12/ Núm. 4 2025 pág. 1973
suisse.com/media/assets/corporate/docs/about-us/research/transport-infrastructure- report-
2023.pdf
Gallardo Del Angel, R. (2020). Financial time series forecasting using Artificial Neural
Networks. Revista mexicana de economía y finanzas, *15*(1), 105-122.
https://doi.org/10.21919/remef.v15i1.376
Gehlen, M. A., & Ronzani, G. M. R. (2025). Setting airport boarding strategies based on
passengers' operational data through machine learning techniques. Journal of Aerospace
Technology and Management, *17*, e1382. https://doi.org/10.1590/jatm.v17.1382
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
https://www.deeplearningbook.org
Graham, A. (2018). Airport economics and finance. En N. Halpern & A. Graham (Eds.), The
Routledge companion to air transport management (pp. 189-205). Routledge.
Gruber, C., & Burger, L. E. (2024). A deep learning decision support system for functional
endoscopic sinus surgery using computed tomography scans. South African Journal of
Industrial Engineering, 35(3), 216-228. https://doi.org/10.7166/35-3-3097
Haykin, S. (2009). Neural networks and learning machines (3rd ed.). Pearson Education.
Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and practice
(2nd ed.).
OTexts. https://otexts.com/fpp2/
International Air Transport Association. (2022). Airport Handling Manual (AHM).
https://www.iata.org/en/publications/manuals/airport-handling-manual/
International Air Transport Association. (2022). IATA Ground Operations Manual (IGOM).
https://www.iata.org/en/publications/manuals/iata-ground-operations- manual/
International Air Transport Association. (2022). ISAGO Standards and Recommended Practices
(8.ª ed.). https://www.iata.org/en/programs/ops-infra/ground- operations/isago/
International Air Transport Association. (2023). Airport Development Reference Manual.
https://www.iata.org/en/publications/manuals/airport-handling-manual/
International Civil Aviation Organization. (2023). CORSIA Implementation Guidelines.
https://www.icao.int/carbon-offsetting-and-reduction-scheme- international-aviation-
corsia
Jara-Rojas, R. (2023). Advanced predictive models in transport infrastructure investments. Journal
of Transport Economics, 58(1),45-63. https://doi.org/10.1016/j.jtre.2023.01.003
Kuhn, M. (2008). Building predictive models in R using the caret package. Journal of Statistical
Software, 28(5), 1-26. https://doi.org/10.18637/jss.v028.i05
Lara Sánchez, J. A., Samper, M. E., & Colomé, D. G. (2024). Predicción a corto plazo de
sistemas de medición inteligentes mediante arquitecturas de aprendizaje profundo
multivariable y multipaso. Revista Técnica Energía, 21(1), 153-164.
suisse.com/media/assets/corporate/docs/about-us/research/transport-infrastructure- report-
2023.pdf
Gallardo Del Angel, R. (2020). Financial time series forecasting using Artificial Neural
Networks. Revista mexicana de economía y finanzas, *15*(1), 105-122.
https://doi.org/10.21919/remef.v15i1.376
Gehlen, M. A., & Ronzani, G. M. R. (2025). Setting airport boarding strategies based on
passengers' operational data through machine learning techniques. Journal of Aerospace
Technology and Management, *17*, e1382. https://doi.org/10.1590/jatm.v17.1382
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
https://www.deeplearningbook.org
Graham, A. (2018). Airport economics and finance. En N. Halpern & A. Graham (Eds.), The
Routledge companion to air transport management (pp. 189-205). Routledge.
Gruber, C., & Burger, L. E. (2024). A deep learning decision support system for functional
endoscopic sinus surgery using computed tomography scans. South African Journal of
Industrial Engineering, 35(3), 216-228. https://doi.org/10.7166/35-3-3097
Haykin, S. (2009). Neural networks and learning machines (3rd ed.). Pearson Education.
Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and practice
(2nd ed.).
OTexts. https://otexts.com/fpp2/
International Air Transport Association. (2022). Airport Handling Manual (AHM).
https://www.iata.org/en/publications/manuals/airport-handling-manual/
International Air Transport Association. (2022). IATA Ground Operations Manual (IGOM).
https://www.iata.org/en/publications/manuals/iata-ground-operations- manual/
International Air Transport Association. (2022). ISAGO Standards and Recommended Practices
(8.ª ed.). https://www.iata.org/en/programs/ops-infra/ground- operations/isago/
International Air Transport Association. (2023). Airport Development Reference Manual.
https://www.iata.org/en/publications/manuals/airport-handling-manual/
International Civil Aviation Organization. (2023). CORSIA Implementation Guidelines.
https://www.icao.int/carbon-offsetting-and-reduction-scheme- international-aviation-
corsia
Jara-Rojas, R. (2023). Advanced predictive models in transport infrastructure investments. Journal
of Transport Economics, 58(1),45-63. https://doi.org/10.1016/j.jtre.2023.01.003
Kuhn, M. (2008). Building predictive models in R using the caret package. Journal of Statistical
Software, 28(5), 1-26. https://doi.org/10.18637/jss.v028.i05
Lara Sánchez, J. A., Samper, M. E., & Colomé, D. G. (2024). Predicción a corto plazo de
sistemas de medición inteligentes mediante arquitecturas de aprendizaje profundo
multivariable y multipaso. Revista Técnica Energía, 21(1), 153-164.
Vol. 12/ Núm. 4 2025 pág. 1974
https://doi.org/10.37116/revistaenergia.v21.n1.2024.652
Lima Airport Partners. (2023). Memoria anual 2023.
https://www.lap.com.pe/investors/reports/2023-annual-report.pdf
Martínez-Vitor, C. F., & Melendez-Rodriguez, L. J. (2025). Toma de decisiones como estrategia
didáctica en el inicio del aprendizaje del proyecto arquitectónico. Revista de
Arquitectura (Bogotá), 27(1), 65-83. https://doi.org/10.14718/revarq.2025.27.5427
Martins, J. A., & Vallim-Filho, A. R. A. (2024). Uma revisão sistemática de modelos de
machine learning aplicados em operações financeiras de cobranças de dívidas. RISTI -
Revista Ibérica de Sistemas e Tecnologias de Informação, (54), 5- 21.
https://doi.org/10.17013/risti.54.5-21
Mascarenhas, M., Mendes, F., Ribeiro, T., Afonso, J., Cardoso, P. M., Martins, M., et al. (2024).
Deep Learning and Minimally Invasive Endoscopy: Panendoscopic Detection of
Pleomorphic Lesions. GE Portuguese Journal of Gastroenterology, *31*(6), 32-
42. https://doi.org/10.1159/000539837
Milani, S. O. (2025). Dilemmas and ethical decision-making in Knowledge
Organization. Informatio, 30(1), e202. https://doi.org/10.35643/info.30.1.7
Morales-Castro, A., Ramírez-Reyes, E., & Sanabria-Landazábal, N. J. (2020). Mexican Stock
Exchange performance after the financial crisis of 2008: Application of data
mining. Dimensión Empresarial, *18*(1), 28-38.
https://doi.org/10.15665/dem.v18n1.2246
Muñoz, J. M., & Castañeda, R. (2023). The Use of Machine Learning in Volatility: A Review
Using K-Means. Revista Universidad y Empresa, *25*(44), e7.
https://doi.org/10.12804/revistas.urosario.edu.co/empresa/a.11969
OECD. (2023). Guidelines for airport infrastructure investment.
https://www.oecd.org/transport/airport-infrastructure-guidelines-2023.pdf
OSITRAN. (2023). Informe de Supervisión Financiera a Concesionarios Aeroportuarios.
https://www.ositran.gob.pe/wp-content/uploads/2023/04/informe- supervision-
financiera-2023.pdf
Oster, C. V., & Strong, J. S. (2023). Airport performance in developing economies: Challenges
and solutions. Journal of Air Transport Management, *104*, 102115.
https://doi.org/10.1016/j.jairtraman.2023.102115
Poquechoque Arnez, L. (2020). Estimación de cálculo de coeficiente beta para empresas que
cotizan en la Bolsa Boliviana de Valores. Revista Perspectivas, (45), 61-84.
http://www.scielo.org.bo/scielo.php?script=sci_arttext&pid=S1994-
37332020000100004&lng=es&tlng=es
Programa de Inversión Responsable, & Pontificia Universidad Católica del Perú. (Eds.).
(2017). Reporte 2017. Incorporación de los criterios de sostenibilidad en el mercado de
https://doi.org/10.37116/revistaenergia.v21.n1.2024.652
Lima Airport Partners. (2023). Memoria anual 2023.
https://www.lap.com.pe/investors/reports/2023-annual-report.pdf
Martínez-Vitor, C. F., & Melendez-Rodriguez, L. J. (2025). Toma de decisiones como estrategia
didáctica en el inicio del aprendizaje del proyecto arquitectónico. Revista de
Arquitectura (Bogotá), 27(1), 65-83. https://doi.org/10.14718/revarq.2025.27.5427
Martins, J. A., & Vallim-Filho, A. R. A. (2024). Uma revisão sistemática de modelos de
machine learning aplicados em operações financeiras de cobranças de dívidas. RISTI -
Revista Ibérica de Sistemas e Tecnologias de Informação, (54), 5- 21.
https://doi.org/10.17013/risti.54.5-21
Mascarenhas, M., Mendes, F., Ribeiro, T., Afonso, J., Cardoso, P. M., Martins, M., et al. (2024).
Deep Learning and Minimally Invasive Endoscopy: Panendoscopic Detection of
Pleomorphic Lesions. GE Portuguese Journal of Gastroenterology, *31*(6), 32-
42. https://doi.org/10.1159/000539837
Milani, S. O. (2025). Dilemmas and ethical decision-making in Knowledge
Organization. Informatio, 30(1), e202. https://doi.org/10.35643/info.30.1.7
Morales-Castro, A., Ramírez-Reyes, E., & Sanabria-Landazábal, N. J. (2020). Mexican Stock
Exchange performance after the financial crisis of 2008: Application of data
mining. Dimensión Empresarial, *18*(1), 28-38.
https://doi.org/10.15665/dem.v18n1.2246
Muñoz, J. M., & Castañeda, R. (2023). The Use of Machine Learning in Volatility: A Review
Using K-Means. Revista Universidad y Empresa, *25*(44), e7.
https://doi.org/10.12804/revistas.urosario.edu.co/empresa/a.11969
OECD. (2023). Guidelines for airport infrastructure investment.
https://www.oecd.org/transport/airport-infrastructure-guidelines-2023.pdf
OSITRAN. (2023). Informe de Supervisión Financiera a Concesionarios Aeroportuarios.
https://www.ositran.gob.pe/wp-content/uploads/2023/04/informe- supervision-
financiera-2023.pdf
Oster, C. V., & Strong, J. S. (2023). Airport performance in developing economies: Challenges
and solutions. Journal of Air Transport Management, *104*, 102115.
https://doi.org/10.1016/j.jairtraman.2023.102115
Poquechoque Arnez, L. (2020). Estimación de cálculo de coeficiente beta para empresas que
cotizan en la Bolsa Boliviana de Valores. Revista Perspectivas, (45), 61-84.
http://www.scielo.org.bo/scielo.php?script=sci_arttext&pid=S1994-
37332020000100004&lng=es&tlng=es
Programa de Inversión Responsable, & Pontificia Universidad Católica del Perú. (Eds.).
(2017). Reporte 2017. Incorporación de los criterios de sostenibilidad en el mercado de
Vol. 12/ Núm. 4 2025 pág. 1975
valores peruano: Calidad y transparencia de la información.
https://investigacion.pucp.edu.pe/grupos/gest/publicacion/reporte-2017-incorporacion-
los-criterios-sostenibilidad-mercado-valores-peruano-calidad- transparencia-la-
informacion/
Quevedo Alejos, M. I. A., Chong León, E., & Rivero Ponce de León, E. R. (2022). Relevancia de
la información no financiera para los directivos de las empresas listadas en la Bolsa de
Valores de Lima. Quipukamayoc, 30(62), e22691.
https://doi.org/10.15381/quipu.v30i62.22691
R Core Team. (2021). R: A language and environment for statistical computing. R Foundation
for Statistical Computing. https://www.R-project.org/
Renda, A., Pelkmans, J., & Schrefler, L. (2013). Ex-post evaluation of EU airports
policy.
CEPS. https://www.ceps.eu/wp-content/uploads/2013/11/EU-Airports-Policy-
Evaluation.pdf
Rodríguez López, M., Piñeiro Sánchez, C., & de Llano Monelos, P. (2014). Determinación del
riesgo de fracaso financiero mediante la utilización de modelos paramétricos, de
inteligencia artificial, y de información de auditoría. Estudios de economía, 41(2), 187-
217. https://dx.doi.org/10.4067/S0718-52862014000200002
Ryan, J. A., & Ulrich, J. M. (2020). quantmod: Quantitative financial modelling framework (R
package version 0.4.18). https://CRAN.R-project.org/package=quantmod
Sabek, A., & Horák, J. (2023). Optimización de hiperparámetros de regresión del proceso
gaussiano para predecir problemas financieros. Retos: Revista de Ciencias de la
Administración y Economía, 13(26), 105-121. https://doi.org/10.17163/ret.n26.2023.06
Saberironaghi, M., Ren, J., & Saberironaghi, A. (2025). Stock Market Prediction Using
Machine Learning and Deep Learning Techniques: A Review. AppliedMath,
*5*(3),76. https://doi.org/10.3390/appliedmath5030076
Safa, B., Mohamed-Hamou, R., & Toumouh, A. (2024). Optimizing the Performance of the IDS
through Feature-Relevant Selection Using PSO and Random Forest Techniques.
Computación y Sistemas, *28*(2), 473-488. https://doi.org/10.13053/cys- 28-2-4579
Sánchez, J. A. L., Samper, M. E., & Colomé, D. G. (2024). Predicción a corto plazo de sistemas de
medición inteligentes mediante arquitecturas de aprendizaje profundo multivariable y
multipaso. Revista Técnica energía, 21(1), 153-164.
https://doi.org/10.37116/revistaenergia.v21.n1.2024.652
Severino-González, P., & Acuña-Moraga, O. (2019). Gobierno corporativo: ranking de empresas
chilenas con mayor transacción en la bolsa de valores. Revista Lasallista de
Investigación, *16*(1), 103-114. https://doi.org/10.22507/rli.v16n1a3
Smith, A., & Johnson, B. (2022). Neural networks in financial market prediction. Journal of
valores peruano: Calidad y transparencia de la información.
https://investigacion.pucp.edu.pe/grupos/gest/publicacion/reporte-2017-incorporacion-
los-criterios-sostenibilidad-mercado-valores-peruano-calidad- transparencia-la-
informacion/
Quevedo Alejos, M. I. A., Chong León, E., & Rivero Ponce de León, E. R. (2022). Relevancia de
la información no financiera para los directivos de las empresas listadas en la Bolsa de
Valores de Lima. Quipukamayoc, 30(62), e22691.
https://doi.org/10.15381/quipu.v30i62.22691
R Core Team. (2021). R: A language and environment for statistical computing. R Foundation
for Statistical Computing. https://www.R-project.org/
Renda, A., Pelkmans, J., & Schrefler, L. (2013). Ex-post evaluation of EU airports
policy.
CEPS. https://www.ceps.eu/wp-content/uploads/2013/11/EU-Airports-Policy-
Evaluation.pdf
Rodríguez López, M., Piñeiro Sánchez, C., & de Llano Monelos, P. (2014). Determinación del
riesgo de fracaso financiero mediante la utilización de modelos paramétricos, de
inteligencia artificial, y de información de auditoría. Estudios de economía, 41(2), 187-
217. https://dx.doi.org/10.4067/S0718-52862014000200002
Ryan, J. A., & Ulrich, J. M. (2020). quantmod: Quantitative financial modelling framework (R
package version 0.4.18). https://CRAN.R-project.org/package=quantmod
Sabek, A., & Horák, J. (2023). Optimización de hiperparámetros de regresión del proceso
gaussiano para predecir problemas financieros. Retos: Revista de Ciencias de la
Administración y Economía, 13(26), 105-121. https://doi.org/10.17163/ret.n26.2023.06
Saberironaghi, M., Ren, J., & Saberironaghi, A. (2025). Stock Market Prediction Using
Machine Learning and Deep Learning Techniques: A Review. AppliedMath,
*5*(3),76. https://doi.org/10.3390/appliedmath5030076
Safa, B., Mohamed-Hamou, R., & Toumouh, A. (2024). Optimizing the Performance of the IDS
through Feature-Relevant Selection Using PSO and Random Forest Techniques.
Computación y Sistemas, *28*(2), 473-488. https://doi.org/10.13053/cys- 28-2-4579
Sánchez, J. A. L., Samper, M. E., & Colomé, D. G. (2024). Predicción a corto plazo de sistemas de
medición inteligentes mediante arquitecturas de aprendizaje profundo multivariable y
multipaso. Revista Técnica energía, 21(1), 153-164.
https://doi.org/10.37116/revistaenergia.v21.n1.2024.652
Severino-González, P., & Acuña-Moraga, O. (2019). Gobierno corporativo: ranking de empresas
chilenas con mayor transacción en la bolsa de valores. Revista Lasallista de
Investigación, *16*(1), 103-114. https://doi.org/10.22507/rli.v16n1a3
Smith, A., & Johnson, B. (2022). Neural networks in financial market prediction. Journal of
Vol. 12/ Núm. 4 2025 pág. 1976
Computational Finance, *25*(3), 45-67. https://doi.org/10.1016/j.jcf.2022.025
Sosa Castro, M. M., & Arriaga Navarrete, R. (2023). Endeudamiento y rendimiento accionario en
la Bolsa Mexicana de Valores (2017-2021). Análisis Económico, 38(97), 1-18.
https://doi.org/10.24275/uam/azc/dcsh/ae/2022v38n97/sosa
Támara-Ayús, A. L., Vargas-Ramírez, H., Cuartas, J. J., & Chica-Arrieta, I. E. (2019).
Regresión logística y redes neuronales como herramientas para realizar un modelo
Scoring. Revista Lasallista de Investigación, 16(1), 187-200.
https://doi.org/10.22507/rli.v16n1a5
Thomaz Neto, J. A., Barbedo, C., & Camilo-da-Silva, E. (2023). Um estudo exploratório do
efeito disposição no mercado de ações durante a pandemia de COVID-19. REAd. Revista
Eletrônica de Administração, 29(2). https://doi.org/10.1590/1413- 2311.393.126581
Viego-Ariet, N., Díaz-Concepción, A., Casares Li, R., Cabrera-Gómez, J., Alfonso-Álvarez, A.,
Guillen-Garcia, J., & Rodríguez-Piñero, A. J. (2024). Metodología para cuantificar la
probabilidad de errores humanos durante el mantenimiento de aeronaves. Ingeniería
Mecánica, 27(3), 1-10. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1815-
59442024000300001&lng=es&tlng=es
Wibowo, A., Amri, I., Surahmat, A., & Rusdah, R. (2025). Leveraging artificial intelligence in
disaster management: A comprehensive bibliometric review. Jàmbá: Journal of Disaster
Risk Studies, 17(1), 1-9. https://doi.org/10.4102/jamba.v17i1.1776
Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer.
https://ggplot2.tidyverse.org
Wickham, H., & Grolemund, G. (2017). R for data science: Import, tidy, transform, visualize,
and model data. O'Reilly. https://r4ds.had.co.nz
Wu, W., Li, L., Chan, P. W., Liu, Y.-Y., & Wei, M. (2023). Research on the usability of
different machine learning methods in visibility forecasting. Atmósfera, 37, 1- 18.
https://doi.org/10.20937/atm.53053
Yahoo Finance. (2024a). Fraport AG (FRA.DE) historical prices.
https://finance.yahoo.com/quote/FRA.DE/history
Yahoo Finance. (2024b). Historical data: GMR Airports Infrastructure Limited
(GMRINFRA.NS). https://finance.yahoo.com/quote/GMRINFRA.NS/history
Zheng, Y., & He, J. (2020). A hybrid PCA-RNN model for stock price prediction in aerospace
industry. Journal of Financial Analytics, 15(2), 89-104.
https://doi.org/10.1016/j.jfa.2020.03.005
Computational Finance, *25*(3), 45-67. https://doi.org/10.1016/j.jcf.2022.025
Sosa Castro, M. M., & Arriaga Navarrete, R. (2023). Endeudamiento y rendimiento accionario en
la Bolsa Mexicana de Valores (2017-2021). Análisis Económico, 38(97), 1-18.
https://doi.org/10.24275/uam/azc/dcsh/ae/2022v38n97/sosa
Támara-Ayús, A. L., Vargas-Ramírez, H., Cuartas, J. J., & Chica-Arrieta, I. E. (2019).
Regresión logística y redes neuronales como herramientas para realizar un modelo
Scoring. Revista Lasallista de Investigación, 16(1), 187-200.
https://doi.org/10.22507/rli.v16n1a5
Thomaz Neto, J. A., Barbedo, C., & Camilo-da-Silva, E. (2023). Um estudo exploratório do
efeito disposição no mercado de ações durante a pandemia de COVID-19. REAd. Revista
Eletrônica de Administração, 29(2). https://doi.org/10.1590/1413- 2311.393.126581
Viego-Ariet, N., Díaz-Concepción, A., Casares Li, R., Cabrera-Gómez, J., Alfonso-Álvarez, A.,
Guillen-Garcia, J., & Rodríguez-Piñero, A. J. (2024). Metodología para cuantificar la
probabilidad de errores humanos durante el mantenimiento de aeronaves. Ingeniería
Mecánica, 27(3), 1-10. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1815-
59442024000300001&lng=es&tlng=es
Wibowo, A., Amri, I., Surahmat, A., & Rusdah, R. (2025). Leveraging artificial intelligence in
disaster management: A comprehensive bibliometric review. Jàmbá: Journal of Disaster
Risk Studies, 17(1), 1-9. https://doi.org/10.4102/jamba.v17i1.1776
Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer.
https://ggplot2.tidyverse.org
Wickham, H., & Grolemund, G. (2017). R for data science: Import, tidy, transform, visualize,
and model data. O'Reilly. https://r4ds.had.co.nz
Wu, W., Li, L., Chan, P. W., Liu, Y.-Y., & Wei, M. (2023). Research on the usability of
different machine learning methods in visibility forecasting. Atmósfera, 37, 1- 18.
https://doi.org/10.20937/atm.53053
Yahoo Finance. (2024a). Fraport AG (FRA.DE) historical prices.
https://finance.yahoo.com/quote/FRA.DE/history
Yahoo Finance. (2024b). Historical data: GMR Airports Infrastructure Limited
(GMRINFRA.NS). https://finance.yahoo.com/quote/GMRINFRA.NS/history
Zheng, Y., & He, J. (2020). A hybrid PCA-RNN model for stock price prediction in aerospace
industry. Journal of Financial Analytics, 15(2), 89-104.
https://doi.org/10.1016/j.jfa.2020.03.005