Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)Vecino Arenas, Carlos EnriqueLamos Díaz, HenryRuiz Cañas, Tatiana Andrea2025-05-192025-05-192025-04-052025-04-09https://noesis.uis.edu.co/handle/20.500.14071/45527En este trabajo de investigación, se presenta el estudio del comportamiento estadístico de las series de tiempo de los índices IGBC (Índice General de la Bolsa de Valores de Colombia) y COLCAP (Índice de capitalización que refleja las variaciones de los precios de las acciones más líquidas de la Bolsa de Valores de Colombia) del 2001 al 2018 mediante el análisis de series de tiempo, con el fin de ajustarlas al modelo ARIMA (Modelo autorregresivo integrado de media móvil), redes neuronales artificiales y un modelo híbrido exploratorio basado en los anteriores para identificar cuál de ellos pronostica mejor los rendimientos. Se observó que las series históricas del índice bursátil son asimétricas negativas, leptocúrticas y no son estacionarias, con un mayor apuntamiento en la distribución de frecuencias de la serie del IGBC. Además, se realizó la Prueba de Rachas a las series de tiempo estudiadas, encontrándose que estas son dependientes. Por otra parte, el IGBC, el COLCAP y la unión de las anteriormente mencionadas se ajustaron a modelos sencillos como MA(1), AR(1), MA(2), AR(2), ARMA(1,1), ARCH(1,1), GARCH(1,1). Además, se determinó que las series del IGBC y COLCAP presentan un mayor ajuste a los modelos de redes neuronales con un solo rezago. Para el IGBC, la red neuronal con menor error es una Red multinivel hacia adelante (MLF), con dos capas ocultas y un nodo en la primera capa, dos nodos en la segunda capa y cuatro rezagos. Para el COLCAP, el mayor ajuste se da con una capa oculta, diez nodos y un solo rezago. Para el ajuste del modelo híbrido ARIMA-Red neuronal artificial se obtuvo un RMSE (Error de raíz cuadrada media) igual a 0,02. Finalmente, se validan las hipótesis demostrando que las redes neuronales artificiales son más precisas en pronosticar los rendimientos, capturando el comportamiento y las relaciones que existen entre los mismos datos de las series. Adicionalmente, se incluye una métrica de predictibilidad instantánea en las series, lo que constituye una estrategia práctica para evaluar la idoneidad de métodos de pronóstico.application/pdfspainfo:eu-repo/semantics/openAccessPronósticoÍndice COLCAPModelo ARIMARedes neuronales artificialesModelos combinadosUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - MaestríaUniversidad Industrial de Santanderhttps://noesis.uis.edu.coForecastCOLCAP IndexARIMA ModelArtificial Neural NetworksCombined Modelshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)