Predicción de precios del petróleo con CNN-LSTM y CNN-GRU utilizando conexión de salto
Autores: Kim, Gun Il; Jang, Beakcheol
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Predicción de precios del petróleo con CNN-LSTM y CNN-GRU utilizando conexión de salto
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Petróleo crudo
Economía global
Pronóstico
Modelos híbridos
Predicción de precios del petróleo
Red neuronal convolucional
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 22
Citaciones: Sin citaciones
El petróleo crudo juega un papel importante en la economía global, ya que contribuye con un tercio del consumo de energía a nivel mundial. Sin embargo, a pesar de su importancia en la formulación de políticas y el desarrollo económico, predecir su precio sigue siendo un desafío debido a su complejidad y a las tendencias de precios irregulares. Aunque se ha realizado una cantidad significativa de investigaciones para mejorar la predicción utilizando factores externos, así como modelos de aprendizaje automático y aprendizaje profundo, solo unos pocos estudios han utilizado modelos híbridos para mejorar la precisión de la predicción. En este estudio, proponemos un nuevo modelo híbrido que captura los detalles más finos y las interconexiones entre factores multivariados para mejorar la precisión de la predicción del precio del petróleo. Nuestro modelo híbrido propuesto integra una red neuronal convolucional y una red neuronal recurrente con conexiones de salto y se entrena utilizando los precios del petróleo y datos externos accesibles directamente desde el sitio web oficial de la corporación petrolera nacional de Corea del Sur y el sitio web oficial de Yahoo Finance. Comparamos el rendimiento de nuestros modelos univariados y multivariados en términos de la correlación de Pearson, el error absoluto medio, el error cuadrático medio, el error cuadrático medio raíz y las métricas de evaluación de R cuadrado (). Nuestros modelos propuestos exhibieron un rendimiento significativamente mejor que los modelos existentes basados en memoria a corto plazo y unidades recurrentes con compuertas, mostrando correlaciones de 0,985 y 0,988, respectivamente, para predicciones de precios a 10 días y obteniendo mejores resultados para períodos de predicción más largos en comparación con otros modelos de aprendizaje profundo. Validamos que nuestro modelo propuesto con conexiones de salto supera a los modelos de referencia y mostramos que la red neuronal convolucional que utiliza unidades recurrentes con compuertas y conexiones de salto es superior a los modelos comparados. Los hallazgos sugieren que, hasta cierto punto, depender de una sola fuente de datos es ineficaz para predecir cambios a largo plazo en los precios del petróleo, y por lo tanto, para desarrollar un mejor modelo de predicción basado en datos de series temporales, es necesario adoptar un enfoque multivariado y desarrollar un modelo computacional eficiente con conexiones de salto.
Descripción
El petróleo crudo juega un papel importante en la economía global, ya que contribuye con un tercio del consumo de energía a nivel mundial. Sin embargo, a pesar de su importancia en la formulación de políticas y el desarrollo económico, predecir su precio sigue siendo un desafío debido a su complejidad y a las tendencias de precios irregulares. Aunque se ha realizado una cantidad significativa de investigaciones para mejorar la predicción utilizando factores externos, así como modelos de aprendizaje automático y aprendizaje profundo, solo unos pocos estudios han utilizado modelos híbridos para mejorar la precisión de la predicción. En este estudio, proponemos un nuevo modelo híbrido que captura los detalles más finos y las interconexiones entre factores multivariados para mejorar la precisión de la predicción del precio del petróleo. Nuestro modelo híbrido propuesto integra una red neuronal convolucional y una red neuronal recurrente con conexiones de salto y se entrena utilizando los precios del petróleo y datos externos accesibles directamente desde el sitio web oficial de la corporación petrolera nacional de Corea del Sur y el sitio web oficial de Yahoo Finance. Comparamos el rendimiento de nuestros modelos univariados y multivariados en términos de la correlación de Pearson, el error absoluto medio, el error cuadrático medio, el error cuadrático medio raíz y las métricas de evaluación de R cuadrado (). Nuestros modelos propuestos exhibieron un rendimiento significativamente mejor que los modelos existentes basados en memoria a corto plazo y unidades recurrentes con compuertas, mostrando correlaciones de 0,985 y 0,988, respectivamente, para predicciones de precios a 10 días y obteniendo mejores resultados para períodos de predicción más largos en comparación con otros modelos de aprendizaje profundo. Validamos que nuestro modelo propuesto con conexiones de salto supera a los modelos de referencia y mostramos que la red neuronal convolucional que utiliza unidades recurrentes con compuertas y conexiones de salto es superior a los modelos comparados. Los hallazgos sugieren que, hasta cierto punto, depender de una sola fuente de datos es ineficaz para predecir cambios a largo plazo en los precios del petróleo, y por lo tanto, para desarrollar un mejor modelo de predicción basado en datos de series temporales, es necesario adoptar un enfoque multivariado y desarrollar un modelo computacional eficiente con conexiones de salto.