Repository logo
Communities & Collections
All of DSpace
  • English
  • العربية
  • বাংলা
  • Català
  • Čeština
  • Deutsch
  • Ελληνικά
  • Español
  • Suomi
  • Français
  • Gàidhlig
  • हिंदी
  • Magyar
  • Italiano
  • Қазақ
  • Latviešu
  • Nederlands
  • Polski
  • Português
  • Português do Brasil
  • Srpski (lat)
  • Српски
  • Svenska
  • Türkçe
  • Yкраї́нська
  • Tiếng Việt
Log In
New user? Click here to register. Have you forgotten your password?
  1. Home
  2. Browse by Author

Browsing by Author "Toledo Calla, Kenny Dany"

Filter results by typing the first few letters
Now showing 1 - 1 of 1
  • Results Per Page
  • Sort Options
  • No Thumbnail Available
    Item
    Deep learning en la predicción del precio de las acciones de bolsa de valores para una propuesta de gestión administrativa de la evaluación ex-post del sector aeroportuario según la OCDE
    (Universidad Nacional Mayor de San Marcos, 2026) Toledo Calla, Kenny Dany; Mauricio Pachas, Pablo Willins
    La investigación analiza la aplicación de técnicas de Deep Learning en la predicción de precios de acciones bursátiles y su relación con la gestión administrativa de la evaluación ex-post del sector aeroportuario peruano, considerando los lineamientos de la Organización para la Cooperación y el Desarrollo Económicos (OCDE). El estudio se contextualiza en los procesos de privatización y concesión público-privada desarrollados en el sector aeroportuario peruano desde la década de 1990, los cuales mejoraron la eficiencia operativa, pero generaron desafíos vinculados con la regulación y competitividad internacional. La investigación presenta un enfoque cuantitativo, con diseño no experimental y transversal, sustentado en el análisis estadístico de datos históricos. La metodología se estructuró en dos fases: la primera orientada a identificar la relación entre la proyección de cotizaciones bursátiles y la gestión administrativa bajo criterios de evaluación ex-post de la OCDE; y la segunda enfocada en la aplicación de algoritmos de redes neuronales y Random Forest para la proyección en tiempo real de precios de acciones vinculadas a los aeropuertos analizados. Los resultados evidenciaron una mejora del 30 % en los procesos de supervisión y regulación, además de una relación significativa entre las técnicas de Deep Learning y la gestión administrativa del sector aeroportuario. Se concluye que la incorporación de metodologías predictivas contribuye a fortalecer los procesos de evaluación ex-post, optimizar la toma de decisiones regulatorias y promover la sostenibilidad y competitividad del sector aeroportuario conforme a estándares internacionales.

DSpace software copyright © 2002-2026 LYRASIS

  • Privacy policy
  • End User Agreement
  • Send Feedback