La demanda de salmón ha experimentado un notable aumento en las últimas décadas, elevando sus precios y acentuando su volatilidad, especialmente desde mediados de los años 2000.
Comprender los mecanismos del mercado es importante para poder predecir las tendencias, mejorar las predicciones de volatilidad, revelar características del mercado que permitan diseñar estrategias de predicción y gestión en el futuro. De esta forma se consigue reducir la incertidumbre y los desafíos para los distintos agentes del mercado, desde productores, procesadores y comercializadores.
Aunque hay diversos estudios que han abordado la volatilidad del precio del salmón, el esfuerzo para la predicción ha sido “limitado”. Ahora con la incorporación de las tecnologías de inteligencia artificial y aprendizaje computerizado, como las redes neuronales se puede mejorar la predicción de datos financieros. Un tema poco o nulamente abordado.
Con objeto de mejorar la aplicación de estas tecnologías de inteligencia artificial, un estudio de Mikaella Zitti publicado en Aquaculture Econimics & Management compararon dos modelos de predicción de series temporales, ARMA (Autoregressive Moving Average) y LSTM (Long Short-Term Memory), en relación con la volatilidad del mercado del salmón.
ARMA se utiliza habitualmente para analizar y predecir series temporales y entender datos específicos y hacer pronósticos sobre puntos futuros en una serie.
LSTM, por su parte, es un tipo de red neuronal recurrente diseñada específicamente para aprender y recordar dependencias a largo plazo en series temporales o secuencias de datos.
Los resultados demostraron que el modelo ARMA supera ligeramente a LSTM en predicciones a corto plazo. Sin embargo, al expandir el horizonte de predicción, las diferencias en el rendimiento entre ambos modelos se estrechan.
Además, como señalan los investigadores, “se descubrió un patrón interesante”: una reducción en los errores de predicción al pasar de un pronóstico de 4 pasos a uno de 8 pasos en ambos modelos. Esto sugiere, según señalan, “una posible alineación con patrones inherentes en los datos de volatilidad del mercado del salmón, tal vez reflejando patrones estacionales.
La investigación recalca la importancia de utilizar diversos métodos estadísticos en la comparación de modelos de predicción. A pesar de la habilidad del modelo LSTM para modelar relaciones complejas no lineales, el modelo ARMA demostró ser superior en la predicción de la volatilidad del mercado del salmón. Esto sugiere que el mercado del salmón puede ser más lineal de lo que se pensaba anteriormente.
El estudio sugiere que investigaciones futuras podrían considerar la implementación de modelos híbridos o explorar factores adicionales que impacten en la precisión de estos modelos, como la dinámica del mercado o el impacto de variables macroeconómicas. Además, sería interesante testear este marco con datos post-COVID.
Estos hallazgos ofrecen una contribución significativa al debate sobre las mejores prácticas en la predicción de la volatilidad, brindando valiosos conocimientos para los actores del mercado del salmón. El marco de este estudio podría adaptarse y aplicarse en otros mercados de materias primas, donde la predicción precisa de la volatilidad también es crucial.
Aunque este estudio se centra en el mercado del salmón, el marco podría adaptarse para uso en otros mercados, donde la volatilidad es también alta, como sería el caso de las especies acuícolas mediterráneas, entre otras.
Referencia:
Mikaella Zitti. Forescasting salmon market volatility using long short-term memory. Aquaculture Economics & Management
Te puede interesar
Agenda
-
09octmié, 09 oct - jue, 10 octAuditorio Municipal de O Grove - O Grove (Pontevedra)
-
22seplun, 22 sep - jue, 25 sepPalacio de Congresos de Valencia