Almonacid Hurtado, Paula María2024-08-302024https://hdl.handle.net/10784/34456En este trabajo de grado se aborda la implementación de diversos modelos de regresión de series de tiempo y machine learning, tales como: ARIMA, ARIMAX, SARIMA y bosques aleatorios (Random Forest) con el objetivo de predecir de manera precisa el precio del oro en el mercado spot y el tipo de cambio USD–COP. La precisión en estas predicciones es crucial para las compañías exportadoras del sector minero, ya que les permite establecer rangos de cobertura óptimos en el uso de derivados financieros. A lo largo del estudio, se evaluaron y compararon distintos algoritmos de machine learning, seleccionando aquellos que proporcionaron los resultados más exactos y consistentes. Los hallazgos ofrecen una herramienta valiosa para la gestión de riesgos financieros y la toma de decisiones estratégicas en el contexto de la volatilidad de los precios del oro y las fluctuaciones del tipo de cambio. Al final del estudio se indica que el modelo ARIMAX Rolling Forecast aplicado en una parametrización (1,1,0) fue el modelo más acertado y consistente en el tiempo para el pronóstico del precio de ambos activos.This study addresses the implementation of various time series regression and machine learning models, such as: ARIMA, ARIMAX, SARIMA and Random Forests with the objective of accurately predicting the price of gold in the spot market and the USD–COP exchange rate. Precision in these predictions is crucial for export companies in the mining sector, as it allows them to establish optimal coverage ranges in the use of financial derivatives. Throughout the study, different machine learning algorithms were evaluated and compared, selecting those that provided the most accurate and consistent results. The findings offer a valuable tool for financial risk management and strategic decision making in the context of gold price volatility and exchange rate fluctuations. At the end of the study, it is indicated that the ARIMAX Rolling Forecast model applied in a parameterization (1,1,0) was the most accurate and consistent model over time for the price forecasts of both assets.application/pdfspaTodos los derechos reservadosDerivados financierasModelación financieraRiesgo de mercadoCobertura cambiariaBosques aleatoriosmasterThesisinfo:eu-repo/semantics/openAccessADMINISTRACIÓN FINANCIERAFINANZASOROINDUSTRIA MINERACAMBIO EXTERIORFinancial DerivativesGoldFinancial ModelingMarket RiskCurrency HedgingRandom ForestAcceso abierto2024-08-30Gallego Panesso, Cristian Alexander