Predicción del rrecio del Bitcoin al cierre utilizando modelos de redes neuronales y técnicas de feature engineering

En la actualidad, las criptomonedas han experimentado un crecimiento en la economía a nivel global, dado que han generado un impacto significativo en diversos sectores en la sociedad. En particular, el Bitcoin, conocido como la primera criptomoneda que dio el paso a los demás, es reconocida por su variedad de características y volatilidad, por ende, el presente trabajo se enfocó en la identificación del modelo más adecuado para predecir el valor de cierre del Bitcoin, empleando modelos de redes neuronales avanzados y técnicas en el procesamiento de series temporales. Se aplicaron diversas metodologías, entre estas se encuentran Long Short-Term Memory (LSTM), Bidirectional LSTM (BI-LSTM) y Transformers, además el uso de transformaciones de Wavelet y la aplicación de indicadores técnicos. Adicionalmente, se desarrollaron modelos univariados y multivariados, con el propósito de comparar los diferentes enfoques, para esto se emplearon métricas de evaluación como el error cuadrático medio (MSE), el error absoluto medio (MAE), entre otras. Los resultados del estudio mostraron que los modelos multivariados lograron un desempeño superior en términos de precisión predictiva, en comparación con los modelos univariados. Esto se debe a que los modelos multivariados fueron capaces de capturar con mayor efectividad los patrones de los datos, ya que estos consideran múltiples variables relacionadas con el precio del Bitcoin al cierre, como su precio de apertura y otros indicadores financieros.

• Autores: Montañez Vargas, Dayana Camila
• Tipo de recurso: https://purl.org/coar/resource_type/c_7a1f
• Fecha de publicación: 2024
• Institución: Universidad El Bosque
• Repositorio: Repositorio U. El Bosque
• Idioma: spa
• OAI Identifier: oai:repositorio.unbosque.edu.co:20.500.12495/13599
• Acceso en línea: https://hdl.handle.net/20.500.12495/13599
• Palabra clave: Criptomonedas; Bitcoin; Modelos multivariado; Modelos univariados; LSTM; BI-LSTM; Transformer; 510; Cryptocurrencies; Bitcoin; Multivariate models; Univariate models; LSTM; BI-LSTM; Transformer
• License: Atribución-NoComercial-CompartirIgual 4.0 Internacional