IDENTIFICACIÓN DE LA MEJOR CONFIGURACIÓN DE PARÁMETROS EN UNA RED NEURONAL FEED FORWARD PARA LOS PRODUCTOS DE LA DESCOMPOSICIÓN DEL PRECIO SPOT DEL WTI UTILIZANDO EL ALGORITMO COMPLETE ENSEMBLE EMPIRICAL MODE DECOMPOSITION

Abstract

El presente trabajo contempla la aplicación del algoritmo Complete Ensemble Empirical Mode Decomposition (CEEMD) y un perceptrón multicapa (MLP) para descomponer ypronosticar el precio spot a un día del West Texas Intermediate (WTI), uno de los commoditiesmás importantes y difíciles de proyectar por el impacto que tiene en las economías y lavariabilidad de sus datos. El objeto principal del estudio es encontrar los mejores parámetrospara los MLP dentro de una malla de posibles combinaciones, para cada producto del CEEMD(llamados Intrinsic Mode Functions o IMFs); basándose en el supuesto de que modelarindividualmente cada modo significativo de la serie permite que la red neuronal no entrene losruidos encontrados en la serie completa, sino que entrene y proyecte las característicassignificativas detrás de los movimientos de los datos. Los resultados obtenidos por el modeloCEEMD + MLP superan en todos los indicadores probados al modelo sin descomposición,corroborando el supuesto planteado y reafirmando la adecuada selección de los mejoresparámetros para cada IMF.

This study applies the Complete Ensemble Empirical Mode Decomposition (CEEMD)algorithm and a Multilayer Perceptron (MLP) to decompose and forecast the (daily) West TexasIntermediate (WTI) spot price, one of the most important and difficult commodities to predictgiven the impact of this series in the global economy and the complex variability of its data. Themain objective of this work is to find the best MLP parameters between a grid of possiblecombinations for each product of the CEEMD (called Intrinsic Mode Functions or IMFs), basedon the underlying assumption that modeling single significant modes allows the MLP to trainand forecast the important characteristics that explain the data movements, instead of training11and forecasting the noises found in the complete series. Every tested indicator of the CEEMD +MLP shows that this model outperforms the base comparison (a single MLP withoutdecomposition); corroborating the assumption and reasserting the adequate MLP parametersselection.