Mostrar el registro sencillo del ítem

dc.contributor.advisorMaté Jiménez, Carloses-ES
dc.contributor.authorGarcía Lorenzana, Soniaes-ES
dc.contributor.otherUniversidad Pontificia Comillas, Escuela Técnica Superior de Ingeniería (ICAI)es_ES
dc.date.accessioned2021-10-07T15:10:34Z
dc.date.available2021-10-07T15:10:34Z
dc.date.issued2022es_ES
dc.identifier.urihttp://hdl.handle.net/11531/62404
dc.descriptionGrado en Ingeniería en Tecnologías de Telecomunicación y Grado en Análisis de Negocios/Business Analyticses_ES
dc.description.abstractEl análisis y predicción de series temporales presentan resultados increíbles tras muchos años de investigación y que, en particular, tienen una aplicación directa con los sistemas financieros. A pesar de que se ha trabajado ampliamente en los puntos anteriores y se haya recogido en la bibliografía, en el presente trabajo se desarrollará como novedad la combinación eficiente de diferentes métodos para datos de intervalo previamente analizados. La combinación de modelos de series de intervalo consiste en la utilización eficiente de varios métodos ponderados en uno único, para conseguir una mayor adaptación a las variables de los datos, construyendo una relación no lineal. En comparación con los modelos de regresión lineal tradicionales y las redes neuronales convencionales, según (Maté, 2021) las combinaciones presentan menor error de predicción entre los datos de entrada y salida, además de superarlos también en precisión tras reflejar el rango de fluctuación o incertidumbre.es-ES
dc.description.abstractThe analysis and prediction of time series present groundbreaking results after many years of research and, in particular, have a direct application in the financial sector. Although the topic state-of-art is advanced and has been extensively collected in the literature, in this paper the work will be developed as a novelty efficiently combining different methods for previously analyzed interval data. The combination of interval series models consists of the efficient use of several weighted methods in a single one, to achieve a better fit to the data variables, building a nonlinear relationship. Compared to traditional linear regression models and conventional neural networks, according to (Maté, 2021), the combinations present lower prediction error between input and output data. In addition, the innovative methods outperform traditional ones also in accuracy after reflecting the range of fluctuation or uncertainty.en-GB
dc.format.mimetypeapplication/pdfes_ES
dc.language.isoen-GBes_ES
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Stateses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/es_ES
dc.subject12 Matemáticases_ES
dc.subject1209 Estadísticaes_ES
dc.subject120903 Análisis de datoses_ES
dc.subject33 Ciencias tecnológicases_ES
dc.subject3325 Tecnología de las telecomunicacioneses_ES
dc.subject.otherKTT (GITT)es_ES
dc.titleCombinación eficiente de modelos de regresión y redes neuronales. Sistema de predicción avanzado en mercados financieroses_ES
dc.typeinfo:eu-repo/semantics/bachelorThesises_ES
dc.rights.accessRightsinfo:eu-repo/semantics/closedAccesses_ES
dc.keywordsCombinación, Datos de intervalo, Matlab, Redes Neuronales, Regresión, Series temporales de intervalo, Ventana deslizante, Pesos óptimoses-ES
dc.keywordsCombination, Interval data, Matlab, Neural Networks, Regression, Interval Time series, Rolling window, Optimal weightsen-GB


Ficheros en el ítem

Thumbnail
Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

Attribution-NonCommercial-NoDerivs 3.0 United States
Excepto si se señala otra cosa, la licencia del ítem se describe como Attribution-NonCommercial-NoDerivs 3.0 United States