Pronóstico del Precio de Barril de Petróleo en México para el Periodo Febrero de 2023 a Enero de 2024 Mediante un Modelo ARIMA en RStudio

The objective of this research was to develop a case study of forecasting time series for the price of a barrel of oil in Mexico, for the period February 2023 to January 2024. The price of a barrel of oil was modeled as a time series and forecast using a model of self-regressive integrated moving averages (ARIMA). Under a stochastic approach, a time series is defined as the sequence of values of a variable over time, whose behavior is given by randomness from a process that is totally unknown or difficult to model mathematically. In the case of oil prices, oil prices are affected by a wide variety of geopolitical variables, factors and events, such as the war in Ukraine at present, making the stochastic approach using an ARIMA model a relevant option. The results compared with the test data show that the model had a MAPE error of 6.33% and an RMSE of 6.106, so it is considered that the model generated accurate forecasts, although it was considered a long-term horizon of 12 months for its evaluation.
El objetivo del presente trabajo de investigación fue desarrollar un caso práctico de pronóstico de series temporales para el precio del barril de petróleo en México, para el periodo febrero de 2023 a enero de 2024. El precio del barril de petróleo se modeló como una serie de tiempo y se pronosticó utilizando un modelo de promedios móviles autorregresivos integrados (ARIMA). Bajo un enfoque estocástico, se define que una serie temporal es la secuencia de valores de una variable a lo largo del tiempo, cuyo comportamiento está dado por la aleatoriedad a partir de un proceso que es totalmente desconocido o difícil de modelar matemáticamente. En el caso del precio del petróleo, este se ve afectado por una gran variedad de variables, factores y sucesos geopolíticos, como es el caso de la guerra en Ucrania en la actualidad, por lo que el enfoque estocástico mediante un modelo ARIMA resulta una opción pertinente. Los resultados comparados con los datos de prueba muestran que el modelo tuvo un error MAPE de 6.33% y un RMSE de 6.106, por lo que se considera que el modelo generó pronósticos precisos, a pesar de que se consideró un horizonte a largo plazo de 12 meses para su evaluación.