EventsMOL2NET'23, Conference on Molecular, Biomed., Comput. & Network Science and Engineering, 9th ed.
Published
This submission belongs to the session 03. NICE.XSM-09: North-Ibero-America Congress on Exp. & Simul. Methods, Valencia, Spain-Miami, USA, 2023. of the event MOL2NET'23, Conference on Molecular, Biomed., Comput. & Network Science and Engineering, 9th ed.
Published date
22 Dec, 2023
Academic Editor
author-avatarHumbert G. Díaz
Citation
Saúl Alejandro Echazarreta de la Mancha, Pronóstico del precio de las acciones, in Proceedings of MOL2NET'23, Conference on Molecular, Biomed., Comput. & Network Science and Engineering, 9th ed., 25 December–31 December 2023, MDPI: Basel, Switzerland
Share
Email
Facebook
Twitter
LinkedIn

Pronóstico del precio de las acciones

1. Maestría Ciencias de Datos, Mexico
2. Facultad de Ciencias Físico Matemáticas, UANL
Abstract

El mercado de valores/acciones ha estado presente en la economía mundial desde el establecimiento de la Ámsterdam Stock Exchange en 1602 en la ciudad de Ámsterdam (Chen, 2022). Desde ese momento y hasta nuestros días funge como un indicador de la economía. La idea de analizar el mercado de acciones ha estado presente desde el trabajo de Fama (1965), el cual concluyo que no era posible predecir el precio de las acciones en base a su desempeño previo. Sin embargo, en la actualidad, diversos estudios han demostrado lo contrario (Bhowmick, 2021). En el presente trabajo se modelaron 100 acciones del índice S&P 500 mediante el uso de modelos de series de tiempo. La finalidad del trabajo es demostrar que los modelos de series de tiempo pueden pronosticar de manera consistente el precio de las acciones. Adicionalmente, se comparó la precisión y los tiempos de ejecución de los modelos.

Keywords
Maestría en Ciencia de Datos
Manuscript
Poster
POSTER (SAUL ALEJANDRO ECHAZARRETA DE LA MANCHA).pdf
Clasificación del éxito de las cirugías de pulmón utilizando modelos de aprendizaje automático
Innovation in Materials: Key Steps for Algorithm Selection in Predicting Mechanical Characteristics through Machine Learning