Análisis del precio promedio diario de la energía eléctrica en Colombia mediante el modelo ARFIMA-GARCH
Este trabajo analiza la serie del precio diario de la energía eléctrica en Colombia entre enero de 2011 y junio de 2024, mediante la aplicación de un modelo de series de tiempo ARFIMA–GARCH, con el objetivo de capturar simultáneamente la memoria larga y la heterocedasticidad condicional característi...
- Autores:
-
Tamayo Cortés, Carlos Andrés
- Tipo de recurso:
- Fecha de publicación:
- 2025
- Institución:
- Universidad de Antioquia
- Repositorio:
- Repositorio UdeA
- Idioma:
- spa
- OAI Identifier:
- oai:bibliotecadigital.udea.edu.co:10495/47921
- Acceso en línea:
- https://hdl.handle.net/10495/47921
- Palabra clave:
- Gestión de riesgos
Risk management
Energía eléctrica - Colombia
Electric power - Colombia
Precios de la energía
Energy prices
ARFIMA no estacionario
Modelos GARCH
ODS 7: Energía asequible y no contaminante. Garantizar el acceso a una energía asequible, fiable, sostenible y moderna para todos
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-sa/4.0/
| id |
UDEA2_33579a603f251b8eb70aec0db198a1de |
|---|---|
| oai_identifier_str |
oai:bibliotecadigital.udea.edu.co:10495/47921 |
| network_acronym_str |
UDEA2 |
| network_name_str |
Repositorio UdeA |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Análisis del precio promedio diario de la energía eléctrica en Colombia mediante el modelo ARFIMA-GARCH |
| title |
Análisis del precio promedio diario de la energía eléctrica en Colombia mediante el modelo ARFIMA-GARCH |
| spellingShingle |
Análisis del precio promedio diario de la energía eléctrica en Colombia mediante el modelo ARFIMA-GARCH Gestión de riesgos Risk management Energía eléctrica - Colombia Electric power - Colombia Precios de la energía Energy prices ARFIMA no estacionario Modelos GARCH ODS 7: Energía asequible y no contaminante. Garantizar el acceso a una energía asequible, fiable, sostenible y moderna para todos |
| title_short |
Análisis del precio promedio diario de la energía eléctrica en Colombia mediante el modelo ARFIMA-GARCH |
| title_full |
Análisis del precio promedio diario de la energía eléctrica en Colombia mediante el modelo ARFIMA-GARCH |
| title_fullStr |
Análisis del precio promedio diario de la energía eléctrica en Colombia mediante el modelo ARFIMA-GARCH |
| title_full_unstemmed |
Análisis del precio promedio diario de la energía eléctrica en Colombia mediante el modelo ARFIMA-GARCH |
| title_sort |
Análisis del precio promedio diario de la energía eléctrica en Colombia mediante el modelo ARFIMA-GARCH |
| dc.creator.fl_str_mv |
Tamayo Cortés, Carlos Andrés |
| dc.contributor.advisor.none.fl_str_mv |
Gallón Gómez, Santiago |
| dc.contributor.author.none.fl_str_mv |
Tamayo Cortés, Carlos Andrés |
| dc.contributor.jury.none.fl_str_mv |
Barrientos Marín, Jorge Huego Lopera Castaño, Mauricio |
| dc.subject.unesco.none.fl_str_mv |
Gestión de riesgos Risk management |
| topic |
Gestión de riesgos Risk management Energía eléctrica - Colombia Electric power - Colombia Precios de la energía Energy prices ARFIMA no estacionario Modelos GARCH ODS 7: Energía asequible y no contaminante. Garantizar el acceso a una energía asequible, fiable, sostenible y moderna para todos |
| dc.subject.lemb.none.fl_str_mv |
Energía eléctrica - Colombia Electric power - Colombia |
| dc.subject.ocde.none.fl_str_mv |
Precios de la energía Energy prices |
| dc.subject.proposal.spa.fl_str_mv |
ARFIMA no estacionario Modelos GARCH |
| dc.subject.ods.none.fl_str_mv |
ODS 7: Energía asequible y no contaminante. Garantizar el acceso a una energía asequible, fiable, sostenible y moderna para todos |
| description |
Este trabajo analiza la serie del precio diario de la energía eléctrica en Colombia entre enero de 2011 y junio de 2024, mediante la aplicación de un modelo de series de tiempo ARFIMA–GARCH, con el objetivo de capturar simultáneamente la memoria larga y la heterocedasticidad condicional características del comportamiento del mercado eléctrico nacional. Estas propiedades reflejan la influencia de factores estructurales como la variabilidad climática, los choques exógenos en la oferta y los mecanismos regulatorios. La metodología implementada incluyó un proceso de filtrado mediante winsorización y ajuste controlado, diseñado para mitigar el impacto de valores extremos sin alterar la estructura temporal ni eliminar observaciones. La media condicional fue modelada a través de un proceso ARFIMA(2, \( d^* \), 2), cuyo parámetro fraccional estimado \( d^* = 0.653 \) indica un comportamiento no estacionario con reversión a la media. Por su parte, la varianza condicional fue estimada mediante un modelo GARCH(1,3) bajo una distribución t-Student, lo que permitió capturar adecuadamente las colas pesadas observadas en la serie. Los resultados empíricos muestran que el modelo ajustado reproduce de manera satisfactoria la dinámica de la serie, incluyendo su trayectoria, estructura de dependencia temporal y agrupamiento de la volatilidad. En consecuencia, el modelo ARFIMA–GARCH se presenta como una herramienta econométrica robusta para el análisis del precio spot de la energía eléctrica en Colombia, con aplicaciones potenciales en la gestión de riesgos, la planificación energética y el diseño de políticas regulatorias. |
| publishDate |
2025 |
| dc.date.accessioned.none.fl_str_mv |
2025-10-23T17:05:38Z |
| dc.date.available.none.fl_str_mv |
2025 |
| dc.date.issued.none.fl_str_mv |
2025 |
| dc.type.none.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| dc.type.content.none.fl_str_mv |
Text |
| dc.type.coarversion.none.fl_str_mv |
http://purl.org/coar/version/c_b1a7d7d4d402bcce |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/draft |
| status_str |
draft |
| dc.identifier.citation.none.fl_str_mv |
Tamayo Cortés, C. A.(2025). Análisis del precio promedio diario de la energía eléctrica en Colombia mediante el modelo ARFIMA GARCH [Tesis de maestría]. Universidad de Antioquia, Medellín, Colombia. |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/10495/47921 |
| identifier_str_mv |
Tamayo Cortés, C. A.(2025). Análisis del precio promedio diario de la energía eléctrica en Colombia mediante el modelo ARFIMA GARCH [Tesis de maestría]. Universidad de Antioquia, Medellín, Colombia. |
| url |
https://hdl.handle.net/10495/47921 |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.none.fl_str_mv |
Aggarwal, S., L. M. Saini, and A. Kumar (2009). International Journal of Electrical Power & Energy Systems. 31(1), 13–22. Baillie, R. T. (1996). Journal of Econometrics. 73(1), 5–59. Balaji, J. et al. (2018). Forecasting stock index using deep learning models. Procedia Computer Science 132, 1351–1362. Barrientos, J. and otros (2018). Modelamiento de precios de electricidad con IA y análisis de series de tiempo. Revista Colombiana de Estad´ıstica. Beran, J. (1994). Statistics for Long-Memory Processes. New York: Chapman & Hall/CRC. Bollerslev, T. (1986). Journal of Econometrics. 31(3), 307–327. Brockwell, P. J. and R. A. Davis (2006). Time Series: Theory and Methods (2nd ed.). New York: Springer. Castaño, D. and J. Sierra (2012). Análisis de series de tiempo de precios de electricidad en colombia. Revista de Ingeniería. Chen, C., S. Twu, et al. (2012). Electricity price forecasting with neural networks. Energy Policy 45, 502–512. Climate Prediction Center, NOAA (2024). ve. Enso: Diagnostics discussion archihttps://www.cpc.ncep.noaa.gov/products/analysis_monitoring/ensodisc. shtml. Available at: https://origin.cpc.ncep.noaa.gov/products/analysis_ monitoring/ensostuff/ONI_v5.php. Contreras, J., R. Esp´ınola, F. J. Nogales, and A. J. Conejo (2003, August). IEEE Transactions on Power Systems. 18(3), 1014–1020. Cordoni, F. (2020). Deep learning for electricity spot price forecasting. Energy Reports 6, 365–374. Doornik, J. A. and M. Ooms (2001). A package for switching and intervention models. In A. C. Harvey, S. J. Koopman, and N. Shephard (Eds.), Modelling and Forecasting Financial Data, (pp. 99–127). Berlin, Heidelberg: Springer. Gallón, S. and J. Barrientos (2021). Modelamiento del precio intradiario con análisis funcional de datos. Revista Colombiana de Estad´ıstica. Hidalgo, C. (2020). Impacto de la penetración de fncer en el precio de bolsa en colombia. Energ´etica. Idrees, S. M., T. M. Alam, and P. Agarwal (2019). Forecasting stock market using machine learning algorithms. Procedia Computer Science 132, 1351–1362. Keles, D., M. Genoese, D. M¨ost, and W. Fichtner (2016). Electricity price forecasting using machine learning: A comparison with arima. Applied Energy 162, 218–230. Kim, H. and J. Won (2018). Hybrid lstm-garch model for financial volatility forecasting. Expert Systems with Applications. Koopman, S. J., M. Ooms, and M. A. Carnero (2005). Periodic seasonal reg-arfima-garch models for daily electricity spot prices. Discussion Paper TI 2005-091/4, Tinbergen Institute, Amsterdam, The Netherlands. Lago, J., F. de Ridder, and B. de Schutter (2018). Forecasting day-ahead electricity prices: A review of state-of-the-art algorithms, best practices and an open-access benchmark. Applied Energy 232, 11–27. Lemus, J. C. and E. Casta˜no (2013). Estimación práctica del parámetro de diferenciaci´on fraccional en modelos arfima. Manuscrito inédito, Universidad de Antioquia. Li, B. and J. Bastos (2020). Deep learning architectures for financial time series forecasting. Expert Systems with Applications. Pilipovic, D. (1998). Energy Risk: Valuing and Managing Energy Derivatives. New York: McGraw-Hill. Rypdal, M. and O. Løvsletten (2012). Physica A: Statistical Mechanics and its Applications. 391(24), 8207–8215. Saˆadaoui, H. (2017). Forecasting electricity spot prices using seasonal autoregressive neural networks. Energy Economics 66, 360–373. Trespalacios Carrasquilla, A., J. O. Pantoja Robayo, and A. Fernández Taborda (2017, nov.). Análisis de mercados de electricidad. Académica. Editorial EAFIT. Weron, R. and A. Misiorek (2008). Short-term electricity price forecasting with time series models: A review and evaluation. International Journal of Forecasting 24, 744–762. Zhang, Z., L. Zhou, W. Zhang, and Y. Li (2023). Bayesian estimation of the fractional difference parameter in arfima models using constrained hamiltonian monte carlo. Information Sciences 639, 119676. Ziel, F., R. Steinert, and S. Husmann (2015). Modeling electricity prices: A comparison of recent approaches. Energy Economics 51, 236–246. |
| dc.rights.uri.none.fl_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.license.en.fl_str_mv |
Attribution-NonCommercial-ShareAlike 4.0 International |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ Attribution-NonCommercial-ShareAlike 4.0 International http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.none.fl_str_mv |
40 páginas |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.coverage.spatial.none.fl_str_mv |
Colombia |
| dc.coverage.temporal.none.fl_str_mv |
2011 - 2024 |
| dc.publisher.none.fl_str_mv |
Universidad de Antioquia |
| dc.publisher.program.none.fl_str_mv |
Maestría en Métodos Cuantitativos para Economía y Finanzas |
| dc.publisher.department.none.fl_str_mv |
Departamento de Matemáticas |
| dc.publisher.place.none.fl_str_mv |
Medellín, Colombia |
| dc.publisher.faculty.none.fl_str_mv |
Facultad de Ciencias Económicas |
| dc.publisher.branch.none.fl_str_mv |
Campus Medellín - Sede Posgrados |
| publisher.none.fl_str_mv |
Universidad de Antioquia |
| institution |
Universidad de Antioquia |
| bitstream.url.fl_str_mv |
https://bibliotecadigital.udea.edu.co/bitstreams/553a5a9a-bf5f-404d-8c38-915ae0cbff6b/download https://bibliotecadigital.udea.edu.co/bitstreams/57d64679-3d73-401d-9f8c-f0a23f69e94a/download https://bibliotecadigital.udea.edu.co/bitstreams/b1bf4705-072e-4881-9a6e-31218b41944c/download https://bibliotecadigital.udea.edu.co/bitstreams/1ced0e04-9c33-4026-bddf-3babfb79a752/download https://bibliotecadigital.udea.edu.co/bitstreams/04d798ac-ae26-4ecd-aeca-59c7984a0df3/download |
| bitstream.checksum.fl_str_mv |
bdc2968b5c0371db709bf578bcf06a7c b76e7a76e24cf2f94b3ce0ae5ed275d0 5643bfd9bcf29d560eeec56d584edaa9 03ad07588b5d50454e119a23d8aaac46 bba28d2d021fdc9b75bfc503a71a53ab |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional de la Universidad de Antioquia |
| repository.mail.fl_str_mv |
aplicacionbibliotecadigitalbiblioteca@udea.edu.co |
| _version_ |
1851052351760105472 |
| spelling |
Gallón Gómez, SantiagoTamayo Cortés, Carlos AndrésBarrientos Marín, Jorge HuegoLopera Castaño, MauricioColombia2011 - 20242025-10-23T17:05:38Z20252025Tamayo Cortés, C. A.(2025). Análisis del precio promedio diario de la energía eléctrica en Colombia mediante el modelo ARFIMA GARCH [Tesis de maestría]. Universidad de Antioquia, Medellín, Colombia.https://hdl.handle.net/10495/47921Este trabajo analiza la serie del precio diario de la energía eléctrica en Colombia entre enero de 2011 y junio de 2024, mediante la aplicación de un modelo de series de tiempo ARFIMA–GARCH, con el objetivo de capturar simultáneamente la memoria larga y la heterocedasticidad condicional características del comportamiento del mercado eléctrico nacional. Estas propiedades reflejan la influencia de factores estructurales como la variabilidad climática, los choques exógenos en la oferta y los mecanismos regulatorios. La metodología implementada incluyó un proceso de filtrado mediante winsorización y ajuste controlado, diseñado para mitigar el impacto de valores extremos sin alterar la estructura temporal ni eliminar observaciones. La media condicional fue modelada a través de un proceso ARFIMA(2, \( d^* \), 2), cuyo parámetro fraccional estimado \( d^* = 0.653 \) indica un comportamiento no estacionario con reversión a la media. Por su parte, la varianza condicional fue estimada mediante un modelo GARCH(1,3) bajo una distribución t-Student, lo que permitió capturar adecuadamente las colas pesadas observadas en la serie. Los resultados empíricos muestran que el modelo ajustado reproduce de manera satisfactoria la dinámica de la serie, incluyendo su trayectoria, estructura de dependencia temporal y agrupamiento de la volatilidad. En consecuencia, el modelo ARFIMA–GARCH se presenta como una herramienta econométrica robusta para el análisis del precio spot de la energía eléctrica en Colombia, con aplicaciones potenciales en la gestión de riesgos, la planificación energética y el diseño de políticas regulatorias.This study analyzes the daily electricity price series in Colombia from January 2011 to June 2024 through the application of an ARFIMA–GARCH time series model, aimed at simultaneously capturing long memory and conditional heteroskedasticity, two key stylized facts in electricity markets. These features reflect the influence of structural elements such as climatic variability, exogenous supply shocks, and institutional regulation. The methodology involved a data filtering process based on winsorization and controlled adjustment, designed to mitigate the impact of extreme values without removing observations or disrupting the temporal structure. The conditional mean was modeled using an ARFIMA(2, d∗, 2) process, where the estimated fractional differencing parameter d∗ = 0,653 indicates a non-stationary process with mean reversion. The conditional variance was estimated using a GARCH(1,3) model under a Student’s t-distribution, allowing for the adequate modeling of heavy-tailed behavior. Empirical results show that the fitted model successfully reproduces the observed dynamics of the series, including its trajectory, temporal dependence, and volatility clustering. Consequently, the ARFIMA–GARCH model proves to be a robust econometric tool for analyzing electricity spot prices in Colombia, offering a solid foundation for risk assessment, energy planning, and regulatory policy design.Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 Introducci´on. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1 Marcoteórico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2 Descripción del mercado energético de Colombia . . . . . . . . . . . . . . 15 3 Fundamentos del modelo ARFIMA-GARCH . . . . . . . . . . . . . . . . 17 3.1 Proceso para la media condicional: ARFIMA. . . . . . . . . . . . . . . . . . 17 3.2 Proceso para la varianza condicional: GARCH . . . . . . . . . . . . . . . . . 19 3.3 ProcesoARFIMAnoestacionario-GARCH . . . . . . . . . . . . . . . . . . 20 4 Proceso ARFIMA-GARCH del precio diario de la energía en Colombia. . . . . 21 4.1 Basededatos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 4.2 Filtrado de la serie: winsorización y ajuste controlado . . . . . . . . . . . . . 25 4.3 Análisis de memoria larga y estacionariedad . . . . . . . . . . . . . . . . . . 28 4.4 Estimación de la media(ARFIMA) y varianza (GARCH) condicionales . . . 31 5 Conclusiones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 6 Recomendaciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 7 Reflexión Final. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38MaestríaMagíster en Métodos Cuantitativos para Economía y Finanzas40 páginasapplication/pdfspaUniversidad de AntioquiaMaestría en Métodos Cuantitativos para Economía y FinanzasDepartamento de MatemáticasMedellín, ColombiaFacultad de Ciencias EconómicasCampus Medellín - Sede Posgradoshttp://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccessAttribution-NonCommercial-ShareAlike 4.0 Internationalhttp://purl.org/coar/access_right/c_abf2Análisis del precio promedio diario de la energía eléctrica en Colombia mediante el modelo ARFIMA-GARCHTrabajo de grado - Maestríahttp://purl.org/redcol/resource_type/TMTexthttp://purl.org/coar/version/c_b1a7d7d4d402bcceinfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/draftAggarwal, S., L. M. Saini, and A. Kumar (2009). International Journal of Electrical Power & Energy Systems. 31(1), 13–22.Baillie, R. T. (1996). Journal of Econometrics. 73(1), 5–59.Balaji, J. et al. (2018). Forecasting stock index using deep learning models. Procedia Computer Science 132, 1351–1362.Barrientos, J. and otros (2018). Modelamiento de precios de electricidad con IA y análisis de series de tiempo. Revista Colombiana de Estad´ıstica.Beran, J. (1994). Statistics for Long-Memory Processes. New York: Chapman & Hall/CRC.Bollerslev, T. (1986). Journal of Econometrics. 31(3), 307–327.Brockwell, P. J. and R. A. Davis (2006). Time Series: Theory and Methods (2nd ed.). New York: Springer.Castaño, D. and J. Sierra (2012). Análisis de series de tiempo de precios de electricidad en colombia. Revista de Ingeniería.Chen, C., S. Twu, et al. (2012). Electricity price forecasting with neural networks. Energy Policy 45, 502–512.Climate Prediction Center, NOAA (2024). ve. Enso: Diagnostics discussion archihttps://www.cpc.ncep.noaa.gov/products/analysis_monitoring/ensodisc. shtml. Available at: https://origin.cpc.ncep.noaa.gov/products/analysis_ monitoring/ensostuff/ONI_v5.php.Contreras, J., R. Esp´ınola, F. J. Nogales, and A. J. Conejo (2003, August). IEEE Transactions on Power Systems. 18(3), 1014–1020.Cordoni, F. (2020). Deep learning for electricity spot price forecasting. Energy Reports 6, 365–374.Doornik, J. A. and M. Ooms (2001). A package for switching and intervention models. In A. C. Harvey, S. J. Koopman, and N. Shephard (Eds.), Modelling and Forecasting Financial Data, (pp. 99–127). Berlin, Heidelberg: Springer.Gallón, S. and J. Barrientos (2021). Modelamiento del precio intradiario con análisis funcional de datos. Revista Colombiana de Estad´ıstica.Hidalgo, C. (2020). Impacto de la penetración de fncer en el precio de bolsa en colombia. Energ´etica.Idrees, S. M., T. M. Alam, and P. Agarwal (2019). Forecasting stock market using machine learning algorithms. Procedia Computer Science 132, 1351–1362.Keles, D., M. Genoese, D. M¨ost, and W. Fichtner (2016). Electricity price forecasting using machine learning: A comparison with arima. Applied Energy 162, 218–230.Kim, H. and J. Won (2018). Hybrid lstm-garch model for financial volatility forecasting. Expert Systems with Applications. Koopman, S. J., M. Ooms, and M. A.Carnero (2005). Periodic seasonal reg-arfima-garch models for daily electricity spot prices. Discussion Paper TI 2005-091/4, Tinbergen Institute, Amsterdam, The Netherlands.Lago, J., F. de Ridder, and B. de Schutter (2018). Forecasting day-ahead electricity prices: A review of state-of-the-art algorithms, best practices and an open-access benchmark. Applied Energy 232, 11–27.Lemus, J. C. and E. Casta˜no (2013). Estimación práctica del parámetro de diferenciaci´on fraccional en modelos arfima. Manuscrito inédito, Universidad de Antioquia.Li, B. and J. Bastos (2020). Deep learning architectures for financial time series forecasting. Expert Systems with Applications.Pilipovic, D. (1998). Energy Risk: Valuing and Managing Energy Derivatives. New York: McGraw-Hill.Rypdal, M. and O. Løvsletten (2012). Physica A: Statistical Mechanics and its Applications. 391(24), 8207–8215.Saˆadaoui, H. (2017). Forecasting electricity spot prices using seasonal autoregressive neural networks. Energy Economics 66, 360–373.Trespalacios Carrasquilla, A., J. O. Pantoja Robayo, and A. Fernández Taborda (2017, nov.). Análisis de mercados de electricidad. Académica. Editorial EAFIT.Weron, R. and A. Misiorek (2008). Short-term electricity price forecasting with time series models: A review and evaluation. International Journal of Forecasting 24, 744–762.Zhang, Z., L. Zhou, W. Zhang, and Y. Li (2023). Bayesian estimation of the fractional difference parameter in arfima models using constrained hamiltonian monte carlo. Information Sciences 639, 119676.Ziel, F., R. Steinert, and S. Husmann (2015). Modeling electricity prices: A comparison of recent approaches. Energy Economics 51, 236–246.Gestión de riesgosRisk managementEnergía eléctrica - ColombiaElectric power - ColombiaPrecios de la energíaEnergy pricesARFIMA no estacionarioModelos GARCHODS 7: Energía asequible y no contaminante. Garantizar el acceso a una energía asequible, fiable, sostenible y moderna para todosPublicationORIGINALCarlosTamayo_2025_Precio_ARFIMA_GARCH.pdfCarlosTamayo_2025_Precio_ARFIMA_GARCH.pdfapplication/pdf535600https://bibliotecadigital.udea.edu.co/bitstreams/553a5a9a-bf5f-404d-8c38-915ae0cbff6b/downloadbdc2968b5c0371db709bf578bcf06a7cMD55trueAnonymousREADLICENSElicense.txtlicense.txttext/plain; charset=utf-814837https://bibliotecadigital.udea.edu.co/bitstreams/57d64679-3d73-401d-9f8c-f0a23f69e94a/downloadb76e7a76e24cf2f94b3ce0ae5ed275d0MD54falseAnonymousREADCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81160https://bibliotecadigital.udea.edu.co/bitstreams/b1bf4705-072e-4881-9a6e-31218b41944c/download5643bfd9bcf29d560eeec56d584edaa9MD56falseAnonymousREADTEXTCarlosTamayo_2025_Precio_ARFIMA_GARCH.pdf.txtCarlosTamayo_2025_Precio_ARFIMA_GARCH.pdf.txtExtracted texttext/plain76341https://bibliotecadigital.udea.edu.co/bitstreams/1ced0e04-9c33-4026-bddf-3babfb79a752/download03ad07588b5d50454e119a23d8aaac46MD57falseAnonymousREADTHUMBNAILCarlosTamayo_2025_Precio_ARFIMA_GARCH.pdf.jpgCarlosTamayo_2025_Precio_ARFIMA_GARCH.pdf.jpgGenerated Thumbnailimage/jpeg6420https://bibliotecadigital.udea.edu.co/bitstreams/04d798ac-ae26-4ecd-aeca-59c7984a0df3/downloadbba28d2d021fdc9b75bfc503a71a53abMD58falseAnonymousREAD10495/47921oai:bibliotecadigital.udea.edu.co:10495/479212025-10-24 04:04:43.838http://creativecommons.org/licenses/by-nc-sa/4.0/Attribution-NonCommercial-ShareAlike 4.0 Internationalopen.accesshttps://bibliotecadigital.udea.edu.coRepositorio Institucional de la Universidad de Antioquiaaplicacionbibliotecadigitalbiblioteca@udea.edu.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 |