Creación de una métrica financiera para la evaluación de empresas mediante un modelo de Machine Learning

Abstract

El trabajo realizado trata de cubrir en su totalidad un proyecto de machine learning o analítica de datos: Se trata de modelar la serie de precios del mercado eléctrico que representa el sobrecoste del sistema eléctrico (compuesto por varias series de precios). El mercado eléctrico mayorista no es un mercado perfecto, toda la energía que se genera no se dedica a cubrir la demanda perfectamente, existen restricciones técnicas y mercados secundarios que tratan de regular estos desajustes en el mercado. Esta serie de precios es la que se trata de predecir, con el objetivo de poder presentar mejores ofertas de precio fijo a clientes y reducir riesgos financieros asociados. Tras la comprensión del caso de negocio se ha procedido a la extracción de datos mediante APIs públicas e internas de la empresa con su posterior tratamiento y limpieza de datos. Una vez con los datos preparados se trata de resolver un problema de regresión para predecir el precio de sobrecoste. Se trata de resolver el problema inicialmente usando modelos de regresión lineal multivariante, árboles de regresión, random forest y stacking. Finalmente, tras un análisis de resultados, se decide utilizar el primer algoritmo de los enumerados. Para ponerlo en producción se integrará el código desarrollado en pyhton con la herramienta de Power-BI para facilitar la accesibilidad de la solución encontrada al departamento o interesados que vayan a hacer uso de ella.

The work carried out tries to cover in its entirety a machine learning or data analytics project: It is about modeling the series of prices in the electricity market that represents the extra cost of the electricity system (made up of several series of prices). The wholesale electricity market is not a perfect market, all the energy that is generated is not dedicated to meeting the demand perfectly, there are technical restrictions and secondary markets that try to regulate these imbalances in the market. This series of prices is the one to be predicted, with the aim of being able to present better fixed price offers to clients and reduce associated financial risks. After understanding the business case, the data was extracted using the company's public and internal APIs with its subsequent treatment and data cleaning. Once the data is ready, we try to solve a regression problem to predict the price overrun. It is about solving the problem initially using multivariate linear regression models, regression trees, random forest and stacking. Finally, after an analysis of the results, it is decided to use the first algorithm of those listed. To put it into production, the code developed in pyhton will be integrated with the Power-BI tool to facilitate the accessibility of the solution found to the department or interested parties who are going to make use of it.