Un grupo de investigadores de la Universidad Técnica de Sharif han desarrollado un modelo híbrido que combina la técnica popular ARIMA con la regresión escalonada y redes neuronales artificiales para predecir el precio del oro en los mercados financieros. Este enfoque busca superar las limitaciones de las predicciones tradicionales y ofrecer resultados más exactos.
El oro, junto al dólar-euro y el petróleo, juega un papel crucial en el modelo desarrollado. Según el estudio, los datos utilizados para las predicciones abarcan desde enero de 2015 hasta comienzos de 2019, tomando como referencia el valor de cierre, apertura, máximo y mínimo diario del oro, así como del petróleo y la pareja de divisas dólar-euro.
Los métodos de series temporales, como el modelo ARIMA, ayudan a establecer patrones de precios no estacionarios. La investigación muestra que, mediante diferencias sucesivas, las series se vuelven estacionarias permitiendo así una mejor predicción con el modelo ARIMA, logrando una precisión del 94.2% en el caso del oro.
Para afinar aún más el modelo de predicción, se utilizaron indicadores técnicos como la media móvil exponencial (EMA) y el índice de fuerza relativa (RSI), entre otros. Estos indicadores, junto al precio diario del oro, sirvieron de insumo para aplicar la regresión escalonada, técnica que selecciona las variables más relevantes para la predicción. Este método redujo el error y mejoró la precisión de la predicción a un 97.47%.
Sin embargo, la mayor mejora llegó con la incorporación de redes neuronales artificiales, un enfoque de aprendizaje máquina que aumentó la precisión del modelo a un impresionante 99.29%. Las redes neuronales utilizaron los resultados de regresión escalonada como capas de entrada para identificar patrones complejos y mejorar la predicción.
Este modelo híbrido no solo mejora la precisión, sino que también permite una ejecución más rápida, crucial para los inversores que operan en mercados de alta volatilidad. Además, se abren nuevas oportunidades para aplicar el modelo a otros tipos de mercados financieros y commodities, proporcionando un enfoque adaptativo y eficiente para futuros análisis económicos.
En conclusión, el uso combinado de metodologías como ARIMA, regresión escalonada y redes neuronales articula un enfoque robusto para la predicción de precios, poco explorado todavía. Mantener la precisión y reducir tiempo de computación son beneficios clave, mientras el mundo financiero sigue en búsqueda de mejores herramientas de análisis predictivo.