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

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 val...

Descripción completa

Guardado en:
Autores principales: Kenny Dany Toledo Calla, Nicomedes Toledo Ito, Yordan Nicolas Toledo Calla, Juan Eduardo Vigo Rivera
Formato: Artículo
Lenguaje:español
Publicado: 2025
Materias:
stock price prediction
airport sector
random forest
artificial neural networks
administrative management
decision-making
operational management
Stock Market Forecasting Methods
Forecasting Techniques and Applications
Financial Markets and Investment Strategies
Acceso en línea:Enlace permanente (DOI o Handle)
Descargar el archivo
Etiquetas: Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
Sumario: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.

Ejemplares similares