Variables que Impactan en el Mercado de Emisiones de Carbono de la UE: Predicciones conModelos Estadísticos y de Machine Learning

Abstract

Este proyecto tiene como objetivo analizar las relaciones entre variables clave del mercado de carbono de la Unión Europea y desarrollar modelos predictivos basados en estas relaciones. La investigación se centra en identificar y seleccionar las variables más relevantes mediante métodos de análisis de correlación, reducción de dimensionalidad y evaluación de multicolinealidad. A partir de este análisis, se implementan diversos modelos predictivos, incluyendo algoritmos de regresión y redes neuronales avanzadas como el Perceptrón Multicapa (MLP) y las Redes LSTM (Long Short-Term Memory). El trabajo explora el desempeño de estos modelos para predecir la evolución de los precios de las emisiones de CO₂ en el marco del Sistema de Comercio de Emisiones de la Unión Europea (EU ETS). Asimismo, se compara la efectividad de las técnicas de modelado tradicionales frente a enfoques basados en aprendizaje profundo, proporcionando conclusiones sobre la utilidad práctica de cada metodología. La relevancia del proyecto radica en su contribución al entendimiento del mercado de carbono y en el desarrollo de herramientas que pueden apoyar la toma de decisiones en sectores clave de la economía sostenible.

This project aims to analyze the relationships between key variables in the European Union carbon market and develop predictive models based on these relationships. The research focuses on identifying and selecting the most relevant variables through correlation analysis, dimensionality reduction techniques, and multicollinearity evaluation. Using this analysis as a foundation, various predictive models are implemented, including regression algorithms and advanced neural networks such as Multilayer Perceptron (MLP) and Long Short-Term Memory (LSTM) networks. The project explores the performance of these models in forecasting CO₂ emission price trends within the European Union Emissions Trading System (EU ETS). Furthermore, it compares the effectiveness of traditional modeling techniques against deep learning approaches, providing insights into the practical utility of each methodology. The project's relevance lies in its contribution to understanding the carbon market and developing tools to support decision-making in key sectors of a sustainable economy.