Algoritmos de Aprendizaje Supervisado para Proyección de Ventas de Camarón Ecuatoriano con Lenguaje de Programación Python

Abstract

Esta investigación desarrolla la mejor aproximación para la proyección no lineal de las ventas de una empresa camaronera que cotiza en la bolsa de valores, en contraste con las estimaciones lineales corporativas publicadas. Se parte de la búsqueda de datos a través de un FODA de la variable de interés: precio promedio del camarón ecuatoriano, identificando las variables explicativas de precios del camarón en Estados Unidos, el cambio observado del dólar frente al yuan, exportaciones ecuatorianas, importaciones estadounidenses de camarón indio, barril de crudo WTI y el índice de precios FPI™ del salmón, esto como las variables más influyentes interpretadas por el resultado de un coeficiente de determinación ajustado de 0.807. La instrumentación del modelo econométrico evalúa los indicadores estadísticos de tres algoritmos de regresión lineal de aprendizaje supervisado predictivo en el lenguaje de programación Python, siendo Ridge el modelo con menor error cuadrático medio igual a 0.274. Basándose en supuestos a cinco años con Ridge se pronostican ventas desde 2021 a 2025, correlacionando las variables ingresos históricos de la empresa camaronera versus el precio promedio del camarón mediante interpolación polinomial. Comparando ambas líneas de tendencia resultantes se demuestra que los ingresos esperados conservan un comportamiento no lineal acorde con su desempeño histórico.