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

Abstract

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.