Pronóstico del PIB eslovaco basado en los precios de los metales como herramienta para los responsables políticos
Barra lateral del artículo
Contenido principal del artículo
Resumen
El artículo examina la evolución de los precios de determinados metales en el mercado global en el contexto del desarrollo del PIB de Eslovaquia como indicador macroeconómico e identifica cuáles de los metales analizados están más estrechamente vinculados a la economía eslovaca. Los datos de la investigación se obtuvieron del sitio web Investing y de Eurostat y se convirtieron en series temporales. Los precios de los metales se expresaron en dólares estadounidenses por tonelada, mientras que los valores del PIB se expresaron en millones de dólares estadounidenses. Los datos se procesaron mediante inteligencia artificial, concretamente redes neuronales recurrentes con una capa de memoria a largo plazo (MPM), que poseen un gran potencial para predecir este tipo de series temporales. El experimento incluyó modelos predictivos basados en redes neuronales artificiales. Los metales también desempeñan un papel crucial en la economía eslovaca, y la investigación confirma que la evolución de los precios del cobre, el zinc y el aluminio está correlacionada con el desempeño económico de Eslovaquia. Por lo tanto, el PIB del país puede pronosticarse con gran precisión basándose en las fluctuaciones de los precios de estos metales. Los hallazgos pueden ser de utilidad tanto para los responsables políticos como para la alta dirección del sector manufacturero, donde los precios de los insumos pueden compararse con la evolución de la economía nacional.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Autoría: La lista de autores firmantes debe incluir únicamente a aquellas personas que hayan contribuido intelectualmente al desarrollo del trabajo. La colaboración en la recogida de datos no es, por sí misma, criterio suficiente de autoría. "Retos" declina toda responsabilidad por posibles conflictos derivados de la autoría de los trabajos que se publiquen.
Derechos de autor: La Universidad Politécnica Salesiana preserva los derechos de autor de los artículos publicados, y favorece y permite su reutilización bajo la licencia Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Ecuador. Pueden ser copiados, utilizados, difundidos, transmitidos y expuestos públicamente, siempre y cuando: i) se cite la autoría y la fuente original de su publicación (revista, editorial y URL del trabajo); (Ii) no se utilicen con fines comerciales; Iii) se mencione la existencia y especificaciones de esta licencia.
Referencias
Ab Khalil, M. R. y Abu Bakar, A. (2023). A Comparative Study of Deep Learning Algorithms in Univariate and Multivariate Forecasting of the Malaysian Stock Market. Sains Malaysiana, 52(3), 993-1009. https://doi.org/10.17576/jsm-2023-5203-22
Alkhareif, R. M. y Barnett, W. A. (2022). Nowcasting Real GDP for Saudi Arabia1*. Open Economies Review, 33(2), 333-345. https://doi.org/10.1007/s11079-021-09634-6
Aisy, R.R., Zulfa, L., Rahim, Y. y Ahsan, M. (2025). Residual XGBoost regression-Based individual moving range control chart for Gross Domestic Product growth monitoring. PLoS ONE 20, e0321660. https://doi.org/10.1371/journal.pone.0321660
Apanovych, Y., Rowland, Z., Borovkova, B. (2024). The impact of oil prices on the GDP of V4 Countries. ACTA Montan. Slovaca, 29, 1-12. https://doi.org/10.46544/AMS.v29i1.01
Cuaresma, J. C., Fortin, I., Hlouskova, J. y Obersteiner, M. (2024). Regime-dependent commodity price dynamics: A predictive analysis. J. Forecast., 43, 2822-2847. https://doi.org/10.1002/for.3152
Chang, A. C. y Levinson, T. J. (2023). Raiders of the lost high-frequency forecasts: New data and evidence on the efficiency of the Fed’s forecasting. J. Appl. Econom. 38, 88-104. https://doi.org/10.1002/jae.2938
Chen, J., Yi, J., Liu, K., Cheng, J., Feng, Y. y Fang, C. (2023). Copper price prediction using LSTM recurrent neural network integrated simulated annealing algorithm. PLoS ONE, 18(10), e0285631. https://doi.org/10.1371/journal.pone.0285631
Enilov, M. (2023). The predictive power of commodity prices for future economic growth: Evaluating the role of economic development. International Journal of Finance & Economics. https://doi.org/10.1002/ijfe.2821
Guo, Z., Chen, X., Li, M., Chi, Y. y Shi, D. (2024). Construction and Validation of Peanut Leaf Spot Disease Prediction Model Based on Long Time Series Data and Deep Learning. Agron.-BASEL 14, 294. https://doi.org/10.3390/agronomy14020294
Gupta, V. y Kumar, E. (2023). Hybrid Harris hawk optimization based light gradient boosting machine model for real-time trading. Artificial Intelligence Review, 56(8), 8697-8720. https://doi.org/10.1007/s10462-022-10323-0
Hájek, L. y Rezny, L. (2014). 20 years of Czech economy development-Comparison with Slovakia. E & M Ekonomie Management, 17. https://doi.org/10.15240/tul/001/2014-1-002
Jovanovic, A., Jovanovic, L., Zivkovic, M., Bacanin, N., Simic, V., Pamucar, D. y Antonijevic, M. (2025). Particle swarm optimization tuned multi-headed long short-term memory networks approach for fuel prices forecasting. J. Netw. Comput. Appl. 233, 104048. https://doi.org/10.1016/j.jnca.2024.104048
Kahraman, E. y Akay, O. (2023). Comparison of exponential smoothing methods in forecasting global prices of main metals. Mineral Economics, 36(3), 427-435. https://doi.org/10.1007/s13563-022-00354-y
Kara, A., Yildirim, D. y Tunc, G. I. (2023). Market efficiency in non-renewable resource markets: evidence from stationarity tests with structural changes. Miner. Econ. 36, 279-290. https://doi.org/10.1007/s13563-022-00312-8
Kim, G. I. y Jang, B. (2023). Petroleum Price Prediction with CNN-LSTM and CNN-GRU Using Skip-Connection. Mathematics, 11(3), 547. https://doi.org/10.3390/math11030547
Kumar, V.N., Sil, A. (2023). Five decades spatial hazard maps of atmospheric corrosion predict the rate of deterioration of steel beams in different environments of India. Corros. Rev. 41, 85-101. https://doi.org/10.1515/corrrev-2022-0028
Li, J. y Guo, Y. (2025). A hybrid model based on iTransformer for risk warning of crude oil price fluctuations. ENERGY, 314, 134199. https://doi.org/10.1016/j.energy.2024.134199
Li, Z., Yang, Y., Chen, Y. y Huang, J. (2023). A novel non-ferrous metals price forecast model based on LSTM and multivariate mode decomposition. Axioms, 12(7), Article 7. https://doi.org/10.3390/axioms12070670
Link, S., Peichl, A., Roth, C., y Wohlfart, J. (2023). Information frictions among firms and households. J. Monet. Econ. 135, 99-115. https://doi.org/10.1016/j.jmoneco.2023.01.005
Matsumoto, A., Pescatori, A. y Wang, X. (2023). Commodity prices and global economic activity. Japan and the World Economy, 66, 101177. https://doi.org/10.1016/j.japwor.2023.101177
Peersman, G., Rueth, S.K., Van der Veken, W. (2021). The interplay between oil and food commodity prices: Has it changed over time? J. Int. Econ. 133, 103540. https://doi.org/10.1016/j.jinteco.2021.103540
Rokicki, T. y Perkowska, A. (2021). Diversity and changes in the energy balance in EU Countries. Energies, 14(4), Article 4. https://doi.org/10.3390/en14041098
Santos, G. C., Barboza, F., Veiga, A. C. P. y Silva, M. F. (2021). Forecasting Brazilian Ethanol Spot Prices Using LSTM. Energies, 14(23), Article 23. https://doi.org/10.3390/en14237987
Sen, A., Akpolat, A. G. y Balkan, I. (2024). Commodity prices and economic growth: Empirical evidence from countries with different income groups. Heliyon 10, e34038. https://doi.org/10.1016/j.heliyon.2024.e34038
Shao, S.-F., Li, Y., Cheng, J. (2024). Non-fungible tokens and metal markets: time-varying spillovers and portfolio implications. Appl. Econ. Lett. https://doi.org/10.1080/13504851.2024.2363323
Song, H. y Choi, H. (2023). Forecasting stock market indices using the recurrent neural network based hybrid models: CNN-LSTM, GRU-CNN, and Ensemble Models. Appl. Sci.-BASEL, 13, 4644. https://doi.org/10.3390/app13074644
Szabo, M. (2024). Disciplining growth-at-risk models with survey of professional forecasters and Bayesian quantile regression. J. Forecast, 43, 1975-1981. https://doi.org/10.1002/for.3120
Urbina, D. A. y Rodriguez, G. (2023). Evolution of the effects of mineral commodity prices on fiscal fluctuations: empirical evidence from TVP-VAR-SV models for Peru. Rev. WORLD Econ., 159, 153-184. https://doi.org/10.1007/s10290-022-00460-7
Valásková, K. y Kramárová, K. (2015). A bootstrap analysis of macroeconomic aspects of the automotive industry in Slovakia, Transport Means 2015, PTS I AND II, ISSN 1822-296X
Wang, W. y Cheung, Y.-W. (2023). Commodity price effects on currencies. J. Int. Money Finance, 130, 102745. https://doi.org/10.1016/j.jimonfin.2022.102745
Wang, J. y Zhang, Y. (2025). A hybrid system with optimized decomposition on random deep learning model for crude oil futures forecasting. Expert Syst. Appl. 272, 126706. https://doi.org/10.1016/j.eswa.2025.126706
Wang, J., Zhang, T., Lu, T. y Xue, Z. (2023). A Hybrid Forecast Model of EEMD-CNN-ILSTM for Crude Oil Futures Price. Electronics 12, 2521. https://doi.org/10.3390/electronics12112521
Wanzala, R.W., Obokoh, L.O. (2024). Sustainability implications of commodity price shocks and commodity dependence in selected Sub-Saharan countries. Sustainability, 16, 8928. https://doi.org/10.3390/su16208928
Yasmeen, R., Huang, H., Shah, W.U.H. (2024). Assessing the significance of FinTech and mineral resource depletion in combating energy poverty: Empirical insights from BRICS economies. Resour. Policy, 89, 104691. https://doi.org/10.1016/j.resourpol.2024.104691
Ybrayev, Z., Kubenbayev, O., Baimagambetov, A. (2024). Macroeconomic effects of fiscal rules for a commodity-exporting economy: avoiding procyclical bias in Kazakhstan. Macroecon. Finance Emerg. Mark. Econ., 17, 271-294. https://doi.org/10.1080/17520843.2022.2043602
Zarkova, S., Kostov, D., Angelov, P., Pavlov, T. y Zahariev, A. (2023). Machine Learning Algorithm for Mid-Term Projection of the EU Member States’ Indebtedness. Risks, 11, 71. https://doi.org/10.3390/risks11040071
Zhang, Y., Shang, W., Zhang, N., Pan, X. y Huang, B. (2023). Quarterly GDP forecast based on coupled economic and energy feature WA-LSTM model. Frontiers in Energy Research, 11. https://doi.org/10.3389/fenrg.2023.1329376
Zhao, Y., Guo, Y. y Wang, X. (2025). Hybrid LSTM-Transformer Architecture with Multi-Scale Feature Fusion for High-Accuracy Gold Futures Price Forecasting. Mathematics, 13, 1551. https://doi.org/10.3390/math13101551