La mejor opción para predecir el precio máximo de las acciones de Intel Corporation: ¿Árbol de regresión o Regresión Lineal Múltiple?
Barra lateral del artículo
Contenido principal del artículo
Resumen
El objetivo del estudio fue comparar el rendimiento del Árbol de regresión frente al Modelo de regresión lineal múltiple en relación al precio de apertura y volumen de ventas diarias de las acciones de Intel Corporation. Se llevó a cabo una investigación descriptiva correlacional de tipo no experimental con diseño transversal, utilizando una muestra por conveniencia. La muestra consistió en 410 registros recopilados desde mayo de 2018 hasta octubre de 2019, obtenidos a través de revisión documental. Los resultados obtenidos mostraron que el Árbol de regresión estableció que la variable más significativa para explicar el precio máximo de las acciones fue el precio de apertura, descartando la variable de volumen. El Error Medio Cuadrático obtenido fue de 1.4480 dólares. Por otro lado, el Modelo de regresión lineal múltiple, utilizando la técnica de eliminación de datos atípicos, presentó un Error Estándar Residual de 0.2257 dólares. En conclusión, se determinó que el modelo más adecuado para predecir el precio máximo de las acciones de Intel Corporation es el Modelo de Regresión Lineal Múltiple con eliminación de puntos atípicos.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Cuando un autor crea un artículo y lo publica en una revista, los derechos de autor pasan a la revista como parte del acuerdo de publicación. Por lo tanto, la revista se convierte en la dueña de los derechos de reproducción, distribución y venta del artículo. El autor conserva algunos derechos, como el derecho a ser reconocido como el creador del artículo y el derecho a utilizarlo para sus propios fines académicos o de investigación, a menos que se acuerde lo contrario en el contrato de publicación.
Cómo citar
Referencias
M. Lizares, Comparación de los modelos de clasificación: regresión logística y árboles de clasificación para evaluar el rendimiento académico., 2017.
A. García De Mendoza Ortega, "Intel," Universidad Jesuista de Guadalajara, Guadalajara, 2022.
R. Giménez Fernández and . P. Zamorano, "Modelos predictivos de índices bursátiles relevantes para la economía chilena," Universidad de Chile, Santiago, 2014.
M. L. Alvarez, "Predicción de afinidad de uni´on de ligandos en protéinas," Universidad de Buenos Aires, Buenos Aires, 2016.
D. I. Candia Oviedo, "Predicción del rendimiento académico de los estudiantes de la UNSAAC a partir de sus datos de ingreso utilizando algoritmos de aprendizaje automático," Universidad Nacional San Antonio Abad del Cusco, Cusci, 2019.
J. Bacallao Gallestey and J. M. Parap, "Árboles de regresión y otras opciones metodológicas aplicadas a la predicción del rendimiento académico," Educación Médica Superior, 2004.
S. Rosales Heredia, C. Bruno and . M. Balzarini, "Identificación de relaciones entre rendimientos y variables ambientales vía árboles de clasificación y regresión (CART)," Interciencia, vol. 35, no. 12, pp. 876-882, 2010.
S. C. S. Pineda, Comparación de árboles de regresión y clasificación regresion logística, 2009.
J. Felipe Díaz and J. Carlos Correa, "Comparación entre árboles de regresión CART," Comunicaciones en Estadística, vol. 6, no. 2, pp. 175-195, 2013.https://doi.org/10.15332/s2027-3355.2013.0002.05
IBM, "IBM Cognos Analytics," 2022. [Online]. Available: https://www.ibm.com/docs/es/cognos-analytics/11.1.0?topic=tests-multiple-linear-regression. [Accessed 12 10 2022].
J. Amat Rodrigo, "cienciadedatos.net," https://cienciadedatos.net/documentos/25_regresion_lineal_multiple, 2016. [Online]. Available: https://cienciadedatos.net/documentos/25_regresion_lineal_multiple. [Accessed 2 10 2022].
D. R. Tobergte and S. Curtis, "Introducción a la econometría: Un enfoque moderno," Journal of Chemical Information and Modeling, vol. 53, no. 9, 2013.
M. Torres, K. Paz and F. Salazar, "Métodos de recolección de datos para una investigación," no. 2, pp. 2-21, 2019.
R. Hernadez Sampieri, C. Fernández Collado and P. Batista Lucio, Metodología de la Investigación, Cuarta ed., Mexico: MACGRAW-HILL, 2010.
J. I. Espinosa Muñoz, "na aproximación a la predicción del valor de acciones en la bolsa de valores aplicando técnicas de Data Mining," Universidad Politécnica de Madrid, Madrid, 2015.
J. . F. D. Sepúlveda Díaz and J. C. Correa Morales, "Comparación entre árboles de regresión CART y regresión lineal," Comunicaciones en Estadística 6.2, pp. 175-195, 2013.https://doi.org/10.15332/s2027-3355.2013.0002.05