Modelo predictivo ARIMA, aplicado en las variaciones del precio del cobre y aluminio

Abstract

La predicción de la variación de los precios de commodities se ha convertido en el foco de atención de muchos investigadores, inversionistas, entre otros, debido a la oportunidad de generar beneficio económico de esta. Este documento tiene como objetivo, dar a conocer los modelos predictivos que existen en la actualidad junto con sus características, y específicamente desarrollar modelos predictivos ARIMA, optimizado con fuerza bruta operacional para la predicción del signo de la variación del precio del cobre y aluminio. Se utilizaron los precios de cierre semanales de estos commodities durante 9 años (2011-2019), observando las variaciones de los precios y comparando los datos reales con los de la predicción hecha por el modelo. Para cada modelo se utilizaron ocho variables, generando 3.000.000 de iteraciones con fuerza bruta, con el propósito de encontrar el mejor modelo y ayude a mejorar la toma de decisiones para los inversionistas. De acuerdo a los resultados obtenidos se estableció una capacidad predictiva en ambos activos superior al 50%, específicamente para el cobre 56% y para el aluminio 51%.

The prediction of the variation in commodity prices has become focus of the attention of many researchers, investor and others, due to the opportunity to generate economic benefits from this. The present document aims to publicize the predictive models that currently exist with their characteristics, and specifically develop a predictive model ARIMA, optimized with operational brute force to predicting de sign of the price variation of copper and aluminum. It used the weekly closing prices of these commodities for nine years (2011-2019), observing the prices variation and comparing the real data with the prediction made by the model. For each model eight variables were used, generating 3.000.000 of iteration with brute force, with the purpose to find the best model and help investors to improve the decision making. According to the results obtained, a predictive ability was established in both assets higher than 50%, specifically 56% for the case of copper and 51% for the aluminum.