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...
Guardado en:
| Autores principales: | , , , |
|---|---|
| Formato: | Artículo |
| Lenguaje: | español |
| Publicado: |
2025
|
| Materias: | |
| Acceso en línea: | Enlace permanente (DOI o Handle) Descargar el archivo |
| Etiquetas: |
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| _version_ | 1881700496419323904 |
|---|---|
| author | Kenny Dany Toledo Calla Nicomedes Toledo Ito Yordan Nicolas Toledo Calla Juan Eduardo Vigo Rivera |
| author_browse | Juan Eduardo Vigo Rivera Kenny Dany Toledo Calla Nicomedes Toledo Ito Yordan Nicolas Toledo Calla |
| author_facet | Kenny Dany Toledo Calla Nicomedes Toledo Ito Yordan Nicolas Toledo Calla Juan Eduardo Vigo Rivera |
| author_sort | Kenny Dany Toledo Calla |
| collection | Producción científica |
| description | 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. |
| format | Article |
| id | openalex:W7119496350 |
| institution | UPeU |
| language | Spanish |
| publishDate | 2025 |
| publishDateRange | 2025 |
| publishDateSort | 2025 |
| record_format | dspace |
| spelling | openalex:W7119496350Uso de deep learning para proyectar precios de acciones del sector aeroportuario en la mejora de la Gestión AdministrativaKenny Dany Toledo CallaNicomedes Toledo ItoYordan Nicolas Toledo CallaJuan Eduardo Vigo Riverastock price predictionairport sectorrandom forestartificial neural networksadministrative managementdecision-makingoperational managementStock Market Forecasting MethodsForecasting Techniques and ApplicationsFinancial Markets and Investment StrategiesEl 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.Articlehttps://doi.org/10.69639/arandu.v12i4.1804https://www.uticvirtual.edu.py/revista.ojs/index.php/revistas/article/download/1804/2862W7119496350esArandu-UTIC.2311-75592409-24012025-12-30 |
| spellingShingle | 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 Kenny Dany Toledo Calla Nicomedes Toledo Ito Yordan Nicolas Toledo Calla Juan Eduardo Vigo Rivera Uso de deep learning para proyectar precios de acciones del sector aeroportuario en la mejora de la Gestión Administrativa |
| title | Uso de deep learning para proyectar precios de acciones del sector aeroportuario en la mejora de la Gestión Administrativa |
| title_full | Uso de deep learning para proyectar precios de acciones del sector aeroportuario en la mejora de la Gestión Administrativa |
| title_fullStr | Uso de deep learning para proyectar precios de acciones del sector aeroportuario en la mejora de la Gestión Administrativa |
| title_full_unstemmed | Uso de deep learning para proyectar precios de acciones del sector aeroportuario en la mejora de la Gestión Administrativa |
| title_short | Uso de deep learning para proyectar precios de acciones del sector aeroportuario en la mejora de la Gestión Administrativa |
| title_sort | uso de deep learning para proyectar precios de acciones del sector aeroportuario en la mejora de la gestion administrativa |
| topic | 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 |
| topic_facet | 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 |
| url | https://doi.org/10.69639/arandu.v12i4.1804 https://www.uticvirtual.edu.py/revista.ojs/index.php/revistas/article/download/1804/2862 |
| work_keys_str_mv | AT kennydanytoledocalla usodedeeplearningparaproyectarpreciosdeaccionesdelsectoraeroportuarioenlamejoradelagestionadministrativa AT nicomedestoledoito usodedeeplearningparaproyectarpreciosdeaccionesdelsectoraeroportuarioenlamejoradelagestionadministrativa AT yordannicolastoledocalla usodedeeplearningparaproyectarpreciosdeaccionesdelsectoraeroportuarioenlamejoradelagestionadministrativa AT juaneduardovigorivera usodedeeplearningparaproyectarpreciosdeaccionesdelsectoraeroportuarioenlamejoradelagestionadministrativa |