Palabras clave
series no lineales
predicción
precios de electricidad
redes neuronales
Cómo citar
Resumen
La predicción de los precios de la electricidad en los mercados liberalizados y desregulados ha sido considerada una tarea difícil, debido a la cantidad y complejidad de factores que gobiernan los precios. En este artículo se pronostican los precios promedios mensuales de los contratos despachados en el mercado eléctrico de Colombia usando una novedosa red neuronal, conocida como máquina de vectores de soporte. Se comparan los pronósticos obtenidos con un perceptrón multicapa y un modelo ARIMA. Los resultados obtenidos muestran que la máquina de vectores de soporte captura de mejor forma la dinámica intrínseca de la serie de tiempo y es capaz de pronosticar con mayor precisión para un horizonte de 12 meses adelante.
Belousov, A. I.; Verzakov, S. A. and von Frese, J. (2002). A flexible classification approach with optimal generalisation performance: support vector machines. Chemometrics and Intelligent Laboratory Systems, 64, 15-25.
Burges, C. J. C. (1998). A tutorial on support vector machines for pattern recognition. Data Mining and Knowledge Discovery, 2, 121-167.
Chen, R. and Tsay, R. (1993). Functional-coefficient autoregressive models. Journal of the American Statistical Association, 88, 298-308.
Franses, P. H. and van Djck, D. (2000). Non-linear time series models in empirical finance. Cambridge: Cambridge University Press.
Gunn, S. R. (1997). Support vector machines for classification and regression (Technical report). Southampton, UK: Image Speech and Intelligent Systems Research Group, University of Southampton.
Kaastra, I. and Boyd, M. (1996). Designing a neural network for forecasting financial and economic series. Neurocomputing, 10, 215-236.
Masters, T. (1993). Practical neural network recipes in C++. New York: Academic Press.
Neural, novel and hybrid algorithms for time series prediction. (1995). New York: John Wiley and Sons.
Mukherjee, S.; Osuna, E. and Girosi, F. (1997). Nonlinear prediction of chaotic time series using support vector machines. Documento presentado en IEEE NNSP'97, Amelia Island, FL, Estados Unidos.
Muller, K. R.; Smola, A.; Ratsch, G.; Scholkopf, B.; Kohlmorgen, J. and Vapnik, V. N. (1997). Predicting time series with support vector machines. En: W. Gerstner, A. Germond, M. Hasler, and J.-D. Nicoud (Eds.), Proceedings of ICANN'97, Springer LNCS 1327, Berlin, 999-1004.
Osowski, S. and Garanty, K. (2007). Forecasting of the daily meteorological pollution using wavelets and support vector machine. Engineering Applications of Artificial Intelligence, 20, 745-755.
Platt, L. (1998). Fast training of SVM using sequential optimization. En: B. Scholkopf, B. Burges y A. Smola (Eds.), Advances in Kernel methods-support vector learning (pp. 185-208). Cambridge: MIT Press.
Scholkopf, B. and Smola, A. (2002). Learning with Kernels. Cambridge, MA: MIT Press.
Tay, F. E. H. and Cao, L. (2001). Application of support vector machines in financial time series forecasting. Omega, 29, 309-317.
Teräsvirta, T. (1994). Specification, estimation, and evaluation of smooth transition autoregressive models. Journal of the American Statistical Association, 89, 208-218.
Lin, C. and Granger, C. (1993). Power of the neural network linearity test. Journal of Time Series Analysis, 14, 209-220.
Thissen, U.; van Brakel, R.; de Weijer, A. P.; Melssen, W. J. and Buydens, L. M. C. (2003). Using vector support machines for time series prediction. Chemometrics and Intelligent Laboratory Systems, 69, 35-49.
Tong, G. (1978). On a threshold model. En: C. Chen (Ed.), Pattern recognition and signal processing. Amsterdam: Sijhoff & Noordhoff.
Vapnik, V. N. (1995). The nature of statistical learning theory. New York: Springer.
Statistical learning theory. (1998). New York: Wiley.
Vapnik, V. N.; Golowich, S. E. and Smola, A. J. (1996). Support vector method for function approximation, regression estimation, and signal processing. Advances in Neural Information Processing Systems, 9, 281-287.
Velásquez, J. D.; Dyner, I. y Souza, R. C. (2007). ¿Por qué es tan difícil obtener buenos pronósticos de los precios de la electricidad en mercados competitivos? Cuadernos de Administración, 20 (34), 259-282.
Zhang, G.; Patuwo, B. and Hu, M. (1998). Forecasting with artificial neural networks: the state of the art. International Journal of Forecasting, 14, 35-62.
Cuadernos de Administración se encuentra registrada bajo la licencia Creative Commons Reconocimiento 4.0 Internacional. Por lo tanto, esta obra se puede reproducir, distribuir y comunicar públicamente en formato digital, siempre que se reconozca el nombre de los autores y a la Pontificia Universidad Javeriana. Se permite citar, adaptar, transformar, autoarchivar, republicar y crear a partir del material, para cualquier finalidad (incluso comercial), siempre que se reconozca adecuadamente la autoría, se proporcione un enlace a la obra original y se indique si se han realizado cambios. La Pontificia Universidad Javeriana no retiene los derechos sobre las obras publicadas y los contenidos son responsabilidad exclusiva de los autores, quienes conservan sus derechos morales, intelectuales, de privacidad y publicidad.
El aval sobre la intervención de la obra (revisión, corrección de estilo, traducción, diagramación) y su posterior divulgación se otorga mediante una licencia de uso y no a través de una cesión de derechos, lo que representa que la revista y la Pontificia Universidad Javeriana se eximen de cualquier responsabilidad que se pueda derivar de una mala práctica ética por parte de los autores. En consecuencia de la protección brindada por la licencia de uso, la revista no se encuentra en la obligación de publicar retractaciones o modificar la información ya publicada, a no ser que la errata surja del proceso de gestión editorial. La publicación de contenidos en esta revista no representa regalías para los contribuyentes.