Evaluando modelos predictivos para tres mercados de finanzas verdes: ideas de enfoques estadísticos frente a aprendizaje automático
Autores: Benghiat, Sonia; Lahmiri, Salim
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Evaluando modelos predictivos para tres mercados de finanzas verdes: ideas de enfoques estadísticos frente a aprendizaje automático
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Sistemas
Palabras clave
Cambio climático
Emisiones de carbono
índices del mercado de finanzas verdes
Modelos predictivos
Aprendizaje automático
Intervenciones políticas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 21
Citaciones: Sin citaciones
A medida que el cambio climático ha cobrado una importancia eminente en las últimas dos décadas, también lo ha hecho el interés en las emisiones de carbono de toda la industria y las políticas que promueven una economía baja en carbono. Los inversores y los responsables de políticas podrían mejorar su toma de decisiones produciendo pronósticos precisos de índices relevantes del mercado de finanzas verdes: eficiencia de carbono, energía limpia y sostenibilidad. El propósito de este documento es comparar el rendimiento de pronósticos univariados de un solo paso producidos por un conjunto de modelos predictivos estadísticos y basados en árboles de regresión seleccionados, utilizando conjuntos de datos grandes de más de 2500 registros diarios de índices de mercado verde recopilados en un lapso de diez años. Los modelos estadísticos incluyen suavizado exponencial simple, el método de Holt, la versión ETS del modelo exponencial, regresión lineal, media móvil ponderada y media móvil autorregresiva (ARMA). Además, los métodos de aprendizaje automático (ML) basados en árboles de decisión incluyen los árboles de regresión estándar y dos métodos de conjunto, a saber, los bosques aleatorios y la potenciación extrema de gradientes (XGBoost). Los resultados de pronóstico muestran que (i) los modelos de suavizado exponencial logran el mejor rendimiento, y (ii) los métodos de conjunto, a saber, XGBoost y bosques aleatorios, tienen un mejor rendimiento que los árboles de regresión estándar. Los hallazgos de este estudio serán valiosos tanto para los responsables de políticas como para los inversores. Los responsables de políticas pueden aprovechar estos modelos predictivos para diseñar intervenciones políticas equilibradas que apoyen a empresas ambientalmente sostenibles mientras fomentan un crecimiento económico continuo. Paralelamente, los inversores y comerciantes se beneficiarán de una mayor facilidad de adaptabilidad a cambios rápidos en el mercado gracias a los atributos del modelo computacionalmente rentables encontrados en este estudio para generar ganancias.
Descripción
A medida que el cambio climático ha cobrado una importancia eminente en las últimas dos décadas, también lo ha hecho el interés en las emisiones de carbono de toda la industria y las políticas que promueven una economía baja en carbono. Los inversores y los responsables de políticas podrían mejorar su toma de decisiones produciendo pronósticos precisos de índices relevantes del mercado de finanzas verdes: eficiencia de carbono, energía limpia y sostenibilidad. El propósito de este documento es comparar el rendimiento de pronósticos univariados de un solo paso producidos por un conjunto de modelos predictivos estadísticos y basados en árboles de regresión seleccionados, utilizando conjuntos de datos grandes de más de 2500 registros diarios de índices de mercado verde recopilados en un lapso de diez años. Los modelos estadísticos incluyen suavizado exponencial simple, el método de Holt, la versión ETS del modelo exponencial, regresión lineal, media móvil ponderada y media móvil autorregresiva (ARMA). Además, los métodos de aprendizaje automático (ML) basados en árboles de decisión incluyen los árboles de regresión estándar y dos métodos de conjunto, a saber, los bosques aleatorios y la potenciación extrema de gradientes (XGBoost). Los resultados de pronóstico muestran que (i) los modelos de suavizado exponencial logran el mejor rendimiento, y (ii) los métodos de conjunto, a saber, XGBoost y bosques aleatorios, tienen un mejor rendimiento que los árboles de regresión estándar. Los hallazgos de este estudio serán valiosos tanto para los responsables de políticas como para los inversores. Los responsables de políticas pueden aprovechar estos modelos predictivos para diseñar intervenciones políticas equilibradas que apoyen a empresas ambientalmente sostenibles mientras fomentan un crecimiento económico continuo. Paralelamente, los inversores y comerciantes se beneficiarán de una mayor facilidad de adaptabilidad a cambios rápidos en el mercado gracias a los atributos del modelo computacionalmente rentables encontrados en este estudio para generar ganancias.