Por favor, use este identificador para citar o enlazar este ítem: http://dspace.unach.edu.ec/handle/51000/12607
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorInfante Quirpa, Saba Rafael-
dc.contributor.authorBecerra Loaiza, Inti Israel-
dc.date.accessioned2024-03-25T16:39:17Z-
dc.date.available2024-03-25T16:39:17Z-
dc.date.issued2024-03-25-
dc.identifier.citationBecerra Loaiza, I. (2024). Modelos markov switching y redes neuronales recurrentes para predecir series temporales de tasas de cambio. (Tesis de Posgrado). Universidad Nacional de Chimborazo, Riobamba, Ecuador.es_ES
dc.identifier.issnUNACH-DP-MAT-COP-
dc.identifier.urihttp://dspace.unach.edu.ec/handle/51000/12607-
dc.descriptionIn most practical real-life scenarios such as business, finance, retail, energy, economics, etc., time series data reflect non-stationary temporal changes. Some models are used to make predictions of this type of information, such as Markov Switching Models that focus on capturing structural changes in data through discrete states and Recurrent Neural Networks that focus on modeling temporal dependencies in sequential data using recurrent connections between network units. This work uses a hybrid model, Hidden Markov Models, and Recurrent Neural Networks to predict time series. For this purpose, a recurrent neural network is realized, and the hidden Markov model is added to update the regime changes. In the model implementation, data of various currency exchange rates (EUR/USD, GBP/USD, USD/CAD, USD/CHF), ranging from January 1, 2020 to September 1, 2022, is used. In addition, the mean squared error (MSE) and root mean squared error (RMSE) were used as goodness-of-fit measures, obtaining low errors and indicating the quality of the model estimation.es_ES
dc.description.abstractEn la mayoría de los escenarios prácticos de la vida real tales como negocios, finanzas, comercio minorista, energía, economía, etc., los datos que se obtienen de series temporales reflejan cambios temporales no estacionarios. Existen algunos modelos que se utilizan para realizar predicciones de este tipo de información como son los Modelos Markov con Cambio de Estado (switching) que se centran en capturar cambios estructurales en los datos a través de estados discretos y las Redes Neuronales Recurrentes que se centran en modelar dependencias temporales en los datos secuenciales utilizando conexiones recurrentes entre las unidades de la red. En este trabajo, se realiza un modelo hibrido utilizando modelos ocultos de Markov y redes neuronales recurrentes para predecir series de tiempo. Para ello, se realiza una red neuronal recurrente y se agrega el modelo oculto de Markov para que realice la actualización de los cambios de régimen. En la implementación del modelo, se utiliza datos de varias tasas de cambio de divisas (EUR/USD, GBP/USD, USD/CAD, USD/CHF), que van desde 1 de enero de 2020 al 1 de septiembre del 2022. Además, se utilizó el error cuadrático medio (MSE) y la raíz del error cuadrático medio (RMSE) como medidas de bondad de ajuste, obteniendo errores bajos, lo cual indica la calidad de la estimación del modelo.es_ES
dc.description.sponsorshipIniversidad Nacional de Chimborazo.es_ES
dc.format.extent62 páginases_ES
dc.language.isospaes_ES
dc.publisherRiobamba: Universidad Nacional de Chimborazoes_ES
dc.rightsopenAccesses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/ec/es_ES
dc.subjectModelos Markov Switchinges_ES
dc.subjectModelos de Markov Ocultoses_ES
dc.subjectRedes Neuronales Recurrenteses_ES
dc.titleModelos markov switching y redes neuronales recurrentes para predecir series temporales de tasas de cambio.es_ES
dc.typemasterThesises_ES
Aparece en las colecciones: Magíster en matemática aplicada con mención en Matemática Computacional

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
Becerra, Inti, (2024) Modelos Markov switching y redes neuronales recurrentes para predecir series temporales de tasas de cambio_.pdfTrabajo de Investigación para Titulación8,59 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.