Análisis de la crisis energética europea y las energías renovables : comparativa de un modelo ARIMA, GARCH y GRNN para la predicción del RENIXX World Index

Abstract

La caducidad que suponen los combustibles fósiles, su volatilidad y su nexo con variables económicas que afectan a la sociedad implican la formulación de medidas gubernamentales para paliar sus efectos negativos. Mediante la estimación del índice de energías renovables RENIXX World se pretende proporcionar un método complementario al análisis de este sector para la anticipación a periodos de auge de las energías renovables como alternativa al sector energético tradicional. Además, uno de los problemas más importantes y con mayor variedad de enfoques es el análisis y la predicción de series financieras. Como resultado, este campo de estudio está en constante expansión y la forma en que se aborda el problema está en constante evolución. Por ello, se ha realizado un estudio de las energías renovables y no renovables, del delicado contexto energético actual y una comparación de un modelo de enfoque más simple como el ARIMA, pasando por un GARCH y hasta algoritmos más evolucionados como un GRNN. Tras la comparación bajo criterios como el RMSE o la capacidad de ajuste y extrapolación del mismo, se ha concluido que el modelo que mejor cumple estos baremos es la red neuronal.

The expiration of fossil fuels, their volatility and their link with economic variables that affect society imply the formulation of governmental measures to mitigate their negative effects. The estimation of the RENIXX World renewable energy index is intended to provide a complementary method for the analysis of this sector in order to anticipate boom periods for renewable energies as an alternative to the traditional energy sector. In addition, one of the most important problems with the greatest variety of approaches is the analysis and prediction of financial series. As a result, this field of study is constantly expanding and the way in which the problem is approached is constantly evolving. Therefore, a study of renewable and non-renewable energies, the current delicate energy context and a comparison of a simpler approach model such as ARIMA, going through a GARCH and up to more evolved algorithms such as a GRNN has been carried out. After the comparison under criteria such as RMSE or the capacity of adjustment and extrapolation of the model, it has been concluded that the model that best meets these criteria is the neural network.