Ítem
Acceso Abierto

Evaluación de modelos para el pronóstico del precio externo del café

Mostrar el registro sencillo de la publicación
dc.contributor.advisorOtero Cardona, Jesús Gilberto
dc.creatorRojas Trujillo, Sergio Andrés
dc.creator.degreeMagíster en Finanzas Cuantitativas
dc.creator.degreeLevelMaestría
dc.date.accessioned2026-06-09T14:57:59Z
dc.date.available2026-06-09T14:57:59Z
dc.date.created0029-04-29
dc.descriptionEsta tesis evalúa el desempeño predictivo de nueve modelos para el pronóstico mensual del precio externo del café colombiano, empleando un esquema de validación fuera de muestra con tres particiones temporales (de 18, 24 y 36 observaciones de prueba) y dos horizontes de pronóstico (h = 1 y h = 3 meses). Los modelos comparados incluyen tres benchmarks ingenuos, dos modelos estadísticos univariados (ARIMA, ETS), un modelo de vectores autorregresivos (VAR) con covariables macroeconómicas y climáticas, un modelo de bosques aleatorios y dos estrategias de combinación de pronósticos: promedio simple y ponderación por el inverso del RMSE acumulado. La muestra comprende 315 observaciones mensuales entre enero de 2000 y marzo de 2026. La variable objetivo se aproxima mediante el contrato continuo KC1 de Bloomberg, usado como proxy del precio externo del café. La métrica principal de comparación es el OWA (Overall Weighted Average), calculado en relación con el benchmark Naive 2, complementado por sMAPE, MASE, RMSE y MAE. La robustez de los resultados se evalúa mediante el test de Diebold-Mariano con corrección de muestra finita. Para h = 1, el VAR y Naive 1 empatan en el primer lugar con OWA promedio de 0,937 y 0,938 respectivamente, seguidos por ARIMA (0,956) y ETS (0,957). Los cuatro modelos superan al benchmark en las tres particiones sin excepción. Para h = 3, el ordenamiento cambia: Naive 1 registra el mejor OWA (0,973), seguido por VAR (0,991) y ETS (0,992). En ambos horizontes, el Random Forest y las dos estrategias de combinación no superan al benchmark. El test de Diebold-Mariano no rechaza la igualdad predictiva al 5%, resultado coherente con el limitado poder estadístico disponible (n ≤ 36) y con la magnitud moderada de las mejoras observadas. Los resultados se interpretan como evidencia específica del esquema y la muestra analizados, sin generalización a otros contextos o períodos.
dc.description.abstractThis thesis evaluates the predictive performance of nine models for monthly point forecasting of the external Colombian coffee price under a rolling-origin out-of-sample evaluation scheme with three temporal holdout partitions (of 18, 24, and 36 test observations) and two forecast horizons (h = 1 and h = 3 months ahead). The models under comparison include three naïve benchmarks, two classical univariate models (ARIMA, ETS), a vector autoregression (VAR) with macroeconomic and climatic covariates, a random forest, and two forecast combination strategies: a simple average and an inverse-RMSE weighted average. The sample covers 315 monthly observations from January 2000 to March 2026. The target variable is proxied by Bloomberg’s continuous KC1 contract as a monthly benchmark for the external coffee price. The primary evaluation criterion is the OWA (Overall Weighted Average), computed relative to the Naive 2 benchmark and supplemented by sMAPE, MASE, RMSE, and MAE. Statistical robustness is assessed using the Diebold-Mariano test with the finite-sample correction of Harvey, Leybourne, and Newbold (1997). For h = 1, VAR and Naive 1 tie for first place with average OWA of 0.937 and 0.938, respectively, followed by ARIMA (0.956) and ETS (0.957); all four models outperform the benchmark across all three partitions without exception. For h = 3, the ranking shifts: Naive 1 records the best OWA (0.973), followed by VAR (0.991) and ETS (0.992). At both horizons, the random forest and both combination strategies fail to outperform the Naive 2 benchmark. The Diebold-Mariano test does not reject equal predictive ability at the 5% level, a result consistent with the limited statistical power available (n ≤ 36) and the moderate magnitude of the observed improvements. Results are interpreted as evidence specific to the evaluated scheme and sample period, without generalization beyond the study context.
dc.format.extent48 pp
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_47903
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/47903
dc.language.isospa
dc.publisherUniversidad del Rosariospa
dc.publisher.departmentFacultad de Economíaspa
dc.publisher.programMaestría en Finanzas Cuantitativasspa
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.rights.accesoAbierto (Texto Completo)
dc.rights.licenciaEL AUTOR, manifiesta que la obra objeto de la presente autorización es original y la realizó sin violar o usurpar derechos de autor de terceros, por lo tanto la obra es de exclusiva autoría y tiene la titularidad sobre la misma. PARGRAFO: En caso de presentarse cualquier reclamación o acción por parte de un tercero en cuanto a los derechos de autor sobre la obra en cuestión, EL AUTOR, asumirá toda la responsabilidad, y saldrá en defensa de los derechos aquí autorizados; para todos los efectos la universidad actúa como un tercero de buena fe. EL AUTOR, autoriza a LA UNIVERSIDAD DEL ROSARIO, para que en los términos establecidos en la Ley 23 de 1982, Ley 44 de 1993, Decisión andina 351 de 1993, Decreto 460 de 1995 y demás normas generales sobre la materia, utilice y use la obra objeto de la presente autorización. -------------------------------------- POLITICA DE TRATAMIENTO DE DATOS PERSONALES. Declaro que autorizo previa y de forma informada el tratamiento de mis datos personales por parte de LA UNIVERSIDAD DEL ROSARIO para fines académicos y en aplicación de convenios con terceros o servicios conexos con actividades propias de la academia, con estricto cumplimiento de los principios de ley. Para el correcto ejercicio de mi derecho de habeas data cuento con la cuenta de correo habeasdata@urosario.edu.co, donde previa identificación podré solicitar la consulta, corrección y supresión de mis datos.spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.source.bibliographicCitationAduteye, E. K., Sete, T. T., & Chi, Y. N. (2023). Time Series Analysis of Global Prices of Coffee: Insights into a Complex Market. International Journal of Business and Economics, 8(2), 138-151.
dc.source.bibliographicCitationBates, J. M., & Granger, C. W. J. (1969). The Combination of Forecasts. Operational Research Quarterly, 20(4), 451-468. https://doi.org/10.1057/jors.1969.103
dc.source.bibliographicCitationBojer, C. S. (2022). Understanding machine learning-based forecasting methods: A decomposition framework and research opportunities. International Journal of Forecasting, 38(4), 1555-1561. https://doi.org/10.1016/j.ijforecast.2021.11.003
dc.source.bibliographicCitationBox, G. E. P., & Jenkins, G. M. (1976). Time Series Analysis: Forecasting and Control (revised). Holden-Day.
dc.source.bibliographicCitationBreiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32. https://doi.org/10.1023/A: 1010933404324
dc.source.bibliographicCitationCardozo Rueda, K. S. (2022). Aplicación de redes neuronales artificiales para el pronóstico de precios de café. Revista Colombiana de Tecnologías de Avanzada, 1(39), 113-117.
dc.source.bibliographicCitationCastle, J. L., Doornik, J. A., & Hendry, D. F. (2021). Forecasting Principles from Experience with Forecasting Competitions. Forecasting, 3(1), 138-165. https : / / doi . org / 10 . 3390 / forecast3010010
dc.source.bibliographicCitationCepeda C., F. (1981). A propósito de los modelos sobre café en Colombia. Revista Colombiana de Matemáticas, 3.
dc.source.bibliographicCitationChen, Y. (2024). Research on Machine Learning-based Prediction of Coffee Futures Prices. Highlights in Science, Engineering and Technology, 92, 199-209.
dc.source.bibliographicCitationChen, Z., Goh, H. S., Sin, K. L., Lim, K., Chung, N. K. H., & Liew, X. Y. (2021). Automated agriculture commodity price prediction system with machine learning techniques. Advances in Science, Technology and Engineering Systems Journal, 6(2).
dc.source.bibliographicCitationCoroneo, L., & Iacone, F. (2020). Comparing predictive accuracy in small samples using fixedsmoothing asymptotics. Journal of Applied Econometrics, 35(4), 391-409. https://doi.org/ 10.1002/jae.2756
dc.source.bibliographicCitationDeina, C., Prates, M. H. d. A., Alves, C. H. R., Martins, M. S. R., Trojan, F., & Stevan, S. L. J. (2022). A methodology for coffee price forecasting based on extreme learning machines. Information Processing in Agriculture, 9(4), 556-565. https://doi.org/10.1016/j.inpa.2021. 07.003
dc.source.bibliographicCitationDíaz-Pinzón, J. E. (2025). Análisis económico-social del precio interno base del café pergamino seco en Colombia: modelamiento, predicción y proyección 2025–2028. Revista Facultad de Ciencias Económicas, 33(1), 97-112. https://doi.org/10.18359/rfce.7760
dc.source.instnameinstname:Universidad del Rosario
dc.source.reponamereponame:Repositorio Institucional EdocUR
dc.subjectPronóstico de series de tiempo
dc.subjectPrecio del café
dc.subjectARIMA
dc.subjectValidación fuera de muestra.
dc.subjectOWA
dc.subjectCombinación de pronósticos
dc.subjectBosques aleatorios
dc.subjectVAR
dc.subjectETS
dc.subject.keywordTime series forecasting
dc.subject.keywordOut-of-sample evaluation
dc.subject.keywordOWA
dc.subject.keywordForecast combination
dc.subject.keywordRandom forest
dc.subject.keywordVAR
dc.subject.keywordETS
dc.subject.keywordARIMA
dc.subject.keywordCoffee price
dc.titleEvaluación de modelos para el pronóstico del precio externo del café
dc.title.TranslatedTitleEvaluation of models for forecasting the external price of coffee
dc.typemasterThesis
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersion
dc.type.spaTesis de maestría
local.department.reportFacultad de Economía
local.regionesBogotá
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
Evaluacion_de_modelos_para_el_pronostico_del_precio_externo_Sergio_Rojas.pdf
Tamaño:
612.13 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Maestría en Finanzas Cuantitativas