Aplicación de un modelo deep learning, basado en redes neuronales artificiales, para el pronóstico del precio de bolsa nacional colombiano

documento presenta la implementación de un modelo de deep learning, para el pronóstico del precio de bolsa de energía eléctrica nacional diario de Colombia. Un modelo de redes neuronales del tipo LSTM (Long short term memory) es propuesto como base del proceso. Se implementan las bibliotecas de código abierto, Tensorflow y Keras, así como la plataforma de Google Colab, para la creación y ejecución del modelo, respectivamente. Se utiliza el afinador de hiperparámetros Hyperband de la librería de Keras (KerasTuner), y la detención temprana (EarlyStopping), para la determinación del número óptimo de neuronas en cada una de las capas ocultas del modelo, buscando evitar el fenómeno del sobreajuste (overfitting). Como variables de entrada para el entrenamiento y la verificación de la capacidad predictiva de la red neuronal, se emplea la serie de tiempo del histórico de precio de bolsa con resolución diaria, la cual es publicada por la empresa XM; así como las series de tiempo de otras variables asociadas (demanda comercial, precio de escasez y TRM), para la implementación de modelos multivariable. Los resultados de los diferentes escenarios de simulación evaluados son comparados mediante el cálculo de la raíz del error cuadrático medio (RMSE). Los resultados muestran un comportamiento predictivo satisfactorio, frente a los datos históricos del precio de bolsa usados como prueba. Por tanto, los modelos de predicción basados en arquitecturas de redes neuronales artificiales ofrecen una alternativa válida a los métodos tradicionales. Este tipo de arquitecturas de aprendizaje automático pueden jugar un rol determinante en procesos predictivos y toma de decisiones.
Palabras