Uso de deep learning para proyectar precios de acciones del sector aeroportuario en la mejora de la Gestión Administrativa

Autores/as

DOI:

https://doi.org/10.69639/arandu.v12i4.1804

Palabras clave:

proyección financiera, bolsa de valores, gestión de empresas, toma de decisiones, random forest

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. 

Descargas

Los datos de descargas todavía no están disponibles.

Citas

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

Descargas

Publicado

2025-12-30

Cómo citar

Toledo Calla, K. T. C., Toledo Ito, N., Toledo Calla, Y., & Vigo Rivera, J. E. (2025). Uso de deep learning para proyectar precios de acciones del sector aeroportuario en la mejora de la Gestión Administrativa. Arandu UTIC, 12(4), 1955–1975. https://doi.org/10.69639/arandu.v12i4.1804

Número

Sección

Ciencias Administrativas y Finanzas

Artículos similares

<< < 22 23 24 25 26 27 28 29 30 31 > >> 

También puede Iniciar una búsqueda de similitud avanzada para este artículo.