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 v...

Full description

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

id	UNBOSQUE2_484201b089f29dcacd5873b66a853315
oai_identifier_str	oai:repositorio.unbosque.edu.co:20.500.12495/13599
network_acronym_str	UNBOSQUE2
network_name_str	Repositorio U. El Bosque
repository_id_str
dc.title.none.fl_str_mv	Predicción del rrecio del Bitcoin al cierre utilizando modelos de redes neuronales y técnicas de feature engineering
dc.title.translated.none.fl_str_mv	Prediction of Bitcoin closing price using neural network models and feature engineering techniques
title	Predicción del rrecio del Bitcoin al cierre utilizando modelos de redes neuronales y técnicas de feature engineering
spellingShingle	Predicción del rrecio del Bitcoin al cierre utilizando modelos de redes neuronales y técnicas de feature engineering Criptomonedas Bitcoin Modelos multivariado Modelos univariados LSTM BI-LSTM Transformer 510 Cryptocurrencies Bitcoin Multivariate models Univariate models LSTM BI-LSTM Transformer
title_short	Predicción del rrecio del Bitcoin al cierre utilizando modelos de redes neuronales y técnicas de feature engineering
title_full	Predicción del rrecio del Bitcoin al cierre utilizando modelos de redes neuronales y técnicas de feature engineering
title_fullStr	Predicción del rrecio del Bitcoin al cierre utilizando modelos de redes neuronales y técnicas de feature engineering
title_full_unstemmed	Predicción del rrecio del Bitcoin al cierre utilizando modelos de redes neuronales y técnicas de feature engineering
title_sort	Predicción del rrecio del Bitcoin al cierre utilizando modelos de redes neuronales y técnicas de feature engineering
dc.creator.fl_str_mv	Montañez Vargas, Dayana Camila
dc.contributor.advisor.none.fl_str_mv	Rodriguez Arango, Emiliano
dc.contributor.author.none.fl_str_mv	Montañez Vargas, Dayana Camila
dc.subject.none.fl_str_mv	Criptomonedas Bitcoin Modelos multivariado Modelos univariados LSTM BI-LSTM Transformer
topic	Criptomonedas Bitcoin Modelos multivariado Modelos univariados LSTM BI-LSTM Transformer 510 Cryptocurrencies Bitcoin Multivariate models Univariate models LSTM BI-LSTM Transformer
dc.subject.ddc.none.fl_str_mv	510
dc.subject.keywords.none.fl_str_mv	Cryptocurrencies Bitcoin Multivariate models Univariate models LSTM BI-LSTM Transformer
description	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.
publishDate	2024
dc.date.accessioned.none.fl_str_mv	2024-12-05T14:36:02Z
dc.date.available.none.fl_str_mv	2024-12-05T14:36:02Z
dc.date.issued.none.fl_str_mv	2024-11
dc.type.coar.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.local.spa.fl_str_mv	Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.coar.none.fl_str_mv	https://purl.org/coar/resource_type/c_7a1f
dc.type.driver.none.fl_str_mv	info:eu-repo/semantics/bachelorThesis
dc.type.coarversion.none.fl_str_mv	https://purl.org/coar/version/c_ab4af688f83e57aa
format	https://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/20.500.12495/13599
dc.identifier.instname.spa.fl_str_mv	instname:Universidad El Bosque
dc.identifier.reponame.spa.fl_str_mv	reponame:Repositorio Institucional Universidad El Bosque
dc.identifier.repourl.none.fl_str_mv	repourl:https://repositorio.unbosque.edu.co
url	https://hdl.handle.net/20.500.12495/13599
identifier_str_mv	instname:Universidad El Bosque reponame:Repositorio Institucional Universidad El Bosque repourl:https://repositorio.unbosque.edu.co
dc.language.iso.fl_str_mv	spa
language	spa
dc.relation.references.none.fl_str_mv	Amat, J., & Escobar, J. (2023). Modelos ARIMA y SARIMAX con python.https://cienciadedatos.net/documentos/py51-modelos-arima-sarimax-python Becker, A. D., & Grenfell, B. T. (2017). TSIR: An R package for time-series susceptible-infected-recovered models of epidemics. PLoS ONE, 12(9). https://doi.org/10.1371/JOURNAL.PONE.0185528 Bitcoin - BTC Price, Live Chart, and News — Blockchain.com. (s.f.). https://www.blockchain.com/es/explorer/assets/BTC Bitcoin y criptomonedas. (2017). https://www.ese.cl/ese/site/artic/20180514/asocfile/20180514111252/bitcoin_y_criptomonedas.pdf Bits, C. (2020). Redes Transfomer (... o el fin de las Redes Recurrentes) - YouTube. https://www.youtube.com/watch?v=Wp8NocXW_C4 Calvo, J. (2022, August 18). La importancia de las funciones de activación en una red neuronal. https://es.linkedin.com/pulse/la-importancia-de-las-funciones-activaci%C3%B3n-en-una-red-calvo-martin Campos, M. (2018). Inspiración biológica de las redes neuronales artificiales.https://medium.com/soldai/inspiraci%C3%B3n-biol%C3%B3gica-de-las-redes-neuronales-artificiales-9af7d7b906a Castellon, N. (2021). Introducción a Modelo Arima con Python - YouTube. https://www.youtube.com/watch?v=xbqY485yslI&t=1533s Castillo, A. (2020). Las criptomonedas en el sistema financiero internacional - Arnau Castillo. https://diposit.ub.edu/dspace/bitstream/2445/142438/1/memoria_tfg_galmesmifsud.pdf Castillo, C. (2022). Hipótesis 4: Caída estrepitosa del BTC - La Criptomoneda podría cerrar 2022 con un precio entre $5K y $15K - Revista Disruptiva. https://www.disruptiva.media/hipotesis-4-caida-estrepitosa-del-btc-la-criptomoneda-podria-cerrar-2022-con-un-precio-entre-5k-y-15k/ Engle, R. F. (1982). Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica,50 (4), 987-1008. https://doi.org/10.2307/1912773 Fernández. (s.f.). Series temporales, modelo ARIMA metodología de Box-Jenkins. https://www.estadistica.net/ECONOMETRIA/SERIESTEMPORALES/modelo-arima.pdf Fernández Y. (2022, June 22). Criptomonedas: qué son, cómo funcionan y qué otras existen además de Bitcoin. https://www.xataka.com/basics/criptomonedas-que-como-funcionan-que-otras-existen-bitcoin Garay, J. (1998). Transformadas matemáticas en teoría de señales, Academia de ciencias exactas, fisicas, quimicas y naturales de zaragoza. http://www.raczar.es/webracz/ImageServlet?mod=publicaciones&subMod=discursos&archivo=Garay.pdf García Leonardo. (2021). ¿Qué son las redes neuronales y cómo funcionan? https://www.ucentral.edu.co/noticentral/redes-neuronales García, M. M., Ruiz, J. R., & Carnero, B. S. (2001). (PDF) El Test BDS:Posibles Limitaciones. https://www.researchgate.net/publication/26428305 El Test BDS Posibles Limitaciones Gonzalez, F. (2019). Análisis predictivo en Bitcoin utilizando-Federico Gonzalez. https://www.colibri.udelar.edu.uy/jspui/bitstream/20.500.12008/20471/1/tg-gonzalez-federico.pdf Huet, P. (2023). Qué son las redes neuronales y sus aplicaciones — OpenWebinars. https://openwebinars.net/blog/que-son-las-redes-neuronales-y-sus-aplicaciones/ La volatilidad financiera y cómo calcularla. (2023). https://www.unir.net/revista/empresa/volatilidad-financiera/ Lopez, J. (2020). Proceso estocástico. https://economipedia.com/definiciones/proceso-estocastico.html Learning, E. A. M. (2021). ¿Cómo funcionan los Transformers? https://www.aprendemachinelearning . com / como - funcionan - los - transformers - espanol-nlp-gpt-bert/ Martínez, M. (2021). Transformada de Fourier: qué es y cómo se calcula.https://www.nobbot.com/que-es-la-transformada-de-fourier-y-para-que-sirve/ Mañas, A. M. (2019). Notas sobre pronóstico del flujo de tráfico en la ciudad de Madrid. https://bookdown.org/amanas/traficomadrid/m%C3%A9todos-basados-en-deep-learning.html Mcnally, S. (2016). Predicting the price of Bitcoin using Machine Learning MSc Reseach Project Data Analytics. National College of Ireland.https://norma.ncirl.ie/2496/1/seanmcnally.pdf Mejía, A. G. (2009). Modelos Egarch aplicados a la prueba del CAPM y los modelos multifactoriales para acciones colombianas (2002-2008). Equidad y Desarrollo, 1(11), 31–58. https://doi.org/https://doi.org/10.19052/ed.227 Merritt, R. (2022). ¿Qué Es un Modelo Transformer? — Blog de NVIDIA.https://la.blogs.nvidia.com/blog/que-es-un-modelo-transformer/ Monsegny, M. C., & Cuervo, E. C. (2008). Modelos ARCH, GARCH y EGARCH: aplicaciones a series financieras. http://www.scielo.org.co/scielo.php?script=sci arttext&pid=S0121-47722008000100011 Parrondo. (2018). Blockchain, bitcoin y criptomonedas: Bases conceptuales y aplicaciones prácticas (Vol. 27). https://books.google.es/books?hl=es&lr=&id=f7SIDwAAQBAJ&oi=fnd&pg=PA11&dq=el+Bitcoin+ha+sido+una+de+las+econom%C3%ADas+que+ha+desarrollado+una+mayor+importancia+en+los+%C3%BAltimos+a%C3%B1o&ots=L5xNSVkf0i&sig=m0NevybCZwnEYqNn55vsvtx-Kas#v=onepage&q&f=false Pérez, P., & Valente, M. (2018). Curso de introducción al procesamiento de imágenes radiológicas en ámbito clínico. https://www.famaf.unc.edu.ar/∼pperez1/manuales/cim/cap5.html Rivera, A. (2017). Serie de tiempo. https://rstudio-pubs-static.s3.amazonaws.com/342393_dfa93f0337784d0285939acce5da8a0f.html Sánchez, I. (2022). La capacidad predictiva de las redes neuronales LSTM respecto del Bitcoin. https://repositorio.comillas.edu/xmlui/handle/11531/57422 Seabe, P. L., Moutsinga, C. R. B., & Pindza, E. (2023). Forecasting Cryptocurrency Prices Using LSTM, GRU, and Bi-Directional LSTM: A Deep Learning Approach. Fractal and Fractional 2023, Vol. 7, Page 203, 7(2), 203. https://doi.org/10.3390/FRACTALFRACT7020203 Sevilla, A. (2019). Modelo GARCH — Economipedia. https://economipedia.com/definiciones/modelo-garch.html Stiegwardt, T., & Los Santos, G. (2022). Cuaderno 170 \| Centro de Estudios en Diseño y Comunicación (2022/2023). 21–45. Sun, Y. (2023). The evolution of transformer models from unidirectional to bidirectional in Natural Language Processing. https://www.researchgate.net/publication/382369809_The_evolution_of_transformer_models_from_unidirectional_to_bidirectional_in_Natural_Language_Processing Una guía para la previsión de series temporales con ARIMA en Python 3.(s.f.). https://es.linux-console.net/?p=5324#gsc.tab=0 Vásquez (2005). Tipos de estudio y métodos de investigación. www.gestiopolis.com Villanueva, J., M, B., J, S., M, M., J, F., & P, M. (2020). Aplicación de la transformada de Hilbert-Huang en el análisis de señales de comunicación satelital. https://polipapers.upv.es/index.php/RIAI/article/view/10878/11955 Villavicencio, J. (s.f.). Un proceso estocástico se dice estacionario si su media y su varianza son constantes. http://www.estadisticas.gobierno.pr/iepr/LinkClick.aspx?fileticket=4 BxecUaZmg Logos-World. (2024). Bitcoin Logo - Logos World. https://logos-world.net/bitcoin-logo/
dc.rights.en.fl_str_mv	Atribución-NoComercial-CompartirIgual 4.0 Internacional
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.uri.none.fl_str_mv	http://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.local.spa.fl_str_mv	Acceso abierto
dc.rights.accessrights.none.fl_str_mv	http:/purl.org/coar/access_right/c_abf2/
rights_invalid_str_mv	Atribución-NoComercial-CompartirIgual 4.0 Internacional http://creativecommons.org/licenses/by-nc-sa/4.0/ Acceso abierto http:/purl.org/coar/access_right/c_abf2/ http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.none.fl_str_mv	application/pdf
dc.publisher.program.spa.fl_str_mv	Matemáticas
dc.publisher.grantor.spa.fl_str_mv	Universidad El Bosque
dc.publisher.faculty.spa.fl_str_mv	Facultad de Ciencias
institution	Universidad El Bosque
bitstream.url.fl_str_mv	https://repositorio.unbosque.edu.co/bitstreams/d7c3f3f2-1a7b-437c-97f5-9a3160892550/download https://repositorio.unbosque.edu.co/bitstreams/5bc160c4-d0a5-4f92-8c23-ba7114802625/download https://repositorio.unbosque.edu.co/bitstreams/ca7373d3-703e-48ae-96bd-0f731b939410/download https://repositorio.unbosque.edu.co/bitstreams/78364b03-5246-4eb9-859d-20b366d7a9a2/download https://repositorio.unbosque.edu.co/bitstreams/337c64a4-727e-43ed-a9c7-3d92cf67bebf/download https://repositorio.unbosque.edu.co/bitstreams/2a345b05-f59c-4c6b-b678-95b424539d28/download https://repositorio.unbosque.edu.co/bitstreams/2ac53712-5436-4acb-8289-392726758ac2/download
bitstream.checksum.fl_str_mv	17cc15b951e7cc6b3728a574117320f9 0da66de2fa8f6500fe2eec8852c91590 0dc1b21f8590ab5c9c37068e68cafc0f a07eb73d49ebdbd1fab65d873cb5860e 3b6ce8e9e36c89875e8cf39962fe8920 f664069ecd568ad9f98b433a357d6c56 865f5b87ba370b70ffd55823786cb0c5
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional Universidad El Bosque
repository.mail.fl_str_mv	bibliotecas@biteca.com
_version_	1828164487111245824
spelling	Rodriguez Arango, EmilianoMontañez Vargas, Dayana Camila2024-12-05T14:36:02Z2024-12-05T14:36:02Z2024-11https://hdl.handle.net/20.500.12495/13599instname:Universidad El Bosquereponame:Repositorio Institucional Universidad El Bosquerepourl:https://repositorio.unbosque.edu.coEn 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.MatemáticoPregradoCurrently, cryptocurrencies have experienced growth in the global economy, as they have had a significant impact on various sectors of society. Specifically, Bitcoin, known as the first cryptocurrency that paved the way for others, is recognized for its diverse characteristics and volatility. Therefore, this work focused on identifying the most suitable model to predict Bitcoin's closing price by employing advanced neural network models and time series processing techniques. Various methodologies were applied, including Long Short-Term Memory (LSTM), Bidirectional LSTM (BI-LSTM), and Transformers, as well as the use of Wavelet transformations and the application of technical indicators. Additionally, both univariate and multivariate models were developed to compare different approaches, utilizing evaluation metrics such as Mean Squared Error (MSE), Mean Absolute Error (MAE), among others. The study results showed that multivariate models achieved superior performance in predictive accuracy compared to univariate models. This is because multivariate models were able to capture data patterns more effectively, as they consider multiple variables related to Bitcoin's closing price, such as its opening price and other financial indicators.application/pdfAtribución-NoComercial-CompartirIgual 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-sa/4.0/Acceso abiertohttp:/purl.org/coar/access_right/c_abf2/http://purl.org/coar/access_right/c_abf2CriptomonedasBitcoinModelos multivariadoModelos univariadosLSTMBI-LSTMTransformer510CryptocurrenciesBitcoinMultivariate modelsUnivariate modelsLSTMBI-LSTMTransformerPredicción del rrecio del Bitcoin al cierre utilizando modelos de redes neuronales y técnicas de feature engineeringPrediction of Bitcoin closing price using neural network models and feature engineering techniquesMatemáticasUniversidad El BosqueFacultad de CienciasTesis/Trabajo de grado - Monografía - Pregradohttps://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesishttps://purl.org/coar/version/c_ab4af688f83e57aaAmat, J., & Escobar, J. (2023). Modelos ARIMA y SARIMAX con python.https://cienciadedatos.net/documentos/py51-modelos-arima-sarimax-pythonBecker, A. D., & Grenfell, B. T. (2017). TSIR: An R package for time-series susceptible-infected-recovered models of epidemics. PLoS ONE, 12(9). https://doi.org/10.1371/JOURNAL.PONE.0185528Bitcoin - BTC Price, Live Chart, and News — Blockchain.com. (s.f.). https://www.blockchain.com/es/explorer/assets/BTCBitcoin y criptomonedas. (2017). https://www.ese.cl/ese/site/artic/20180514/asocfile/20180514111252/bitcoin_y_criptomonedas.pdfBits, C. (2020). Redes Transfomer (... o el fin de las Redes Recurrentes) - YouTube. https://www.youtube.com/watch?v=Wp8NocXW_C4Calvo, J. (2022, August 18). La importancia de las funciones de activación en una red neuronal. https://es.linkedin.com/pulse/la-importancia-de-las-funciones-activaci%C3%B3n-en-una-red-calvo-martinCampos, M. (2018). Inspiración biológica de las redes neuronales artificiales.https://medium.com/soldai/inspiraci%C3%B3n-biol%C3%B3gica-de-las-redes-neuronales-artificiales-9af7d7b906aCastellon, N. (2021). Introducción a Modelo Arima con Python - YouTube. https://www.youtube.com/watch?v=xbqY485yslI&t=1533sCastillo, A. (2020). Las criptomonedas en el sistema financiero internacional - Arnau Castillo. https://diposit.ub.edu/dspace/bitstream/2445/142438/1/memoria_tfg_galmesmifsud.pdfCastillo, C. (2022). Hipótesis 4: Caída estrepitosa del BTC - La Criptomoneda podría cerrar 2022 con un precio entre $5K y $15K - Revista Disruptiva. https://www.disruptiva.media/hipotesis-4-caida-estrepitosa-del-btc-la-criptomoneda-podria-cerrar-2022-con-un-precio-entre-5k-y-15k/Engle, R. F. (1982). Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica,50 (4), 987-1008. https://doi.org/10.2307/1912773Fernández. (s.f.). Series temporales, modelo ARIMA metodología de Box-Jenkins. https://www.estadistica.net/ECONOMETRIA/SERIESTEMPORALES/modelo-arima.pdfFernández Y. (2022, June 22). Criptomonedas: qué son, cómo funcionan y qué otras existen además de Bitcoin. https://www.xataka.com/basics/criptomonedas-que-como-funcionan-que-otras-existen-bitcoinGaray, J. (1998). Transformadas matemáticas en teoría de señales, Academia de ciencias exactas, fisicas, quimicas y naturales de zaragoza. http://www.raczar.es/webracz/ImageServlet?mod=publicaciones&subMod=discursos&archivo=Garay.pdfGarcía Leonardo. (2021). ¿Qué son las redes neuronales y cómo funcionan? https://www.ucentral.edu.co/noticentral/redes-neuronalesGarcía, M. M., Ruiz, J. R., & Carnero, B. S. (2001). (PDF) El Test BDS:Posibles Limitaciones. https://www.researchgate.net/publication/26428305 El Test BDS Posibles LimitacionesGonzalez, F. (2019). Análisis predictivo en Bitcoin utilizando-Federico Gonzalez. https://www.colibri.udelar.edu.uy/jspui/bitstream/20.500.12008/20471/1/tg-gonzalez-federico.pdfHuet, P. (2023). Qué son las redes neuronales y sus aplicaciones — OpenWebinars. https://openwebinars.net/blog/que-son-las-redes-neuronales-y-sus-aplicaciones/La volatilidad financiera y cómo calcularla. (2023). https://www.unir.net/revista/empresa/volatilidad-financiera/Lopez, J. (2020). Proceso estocástico. https://economipedia.com/definiciones/proceso-estocastico.htmlLearning, E. A. M. (2021). ¿Cómo funcionan los Transformers? https://www.aprendemachinelearning . com / como - funcionan - los - transformers - espanol-nlp-gpt-bert/Martínez, M. (2021). Transformada de Fourier: qué es y cómo se calcula.https://www.nobbot.com/que-es-la-transformada-de-fourier-y-para-que-sirve/Mañas, A. M. (2019). Notas sobre pronóstico del flujo de tráfico en la ciudad de Madrid. https://bookdown.org/amanas/traficomadrid/m%C3%A9todos-basados-en-deep-learning.htmlMcnally, S. (2016). Predicting the price of Bitcoin using Machine Learning MSc Reseach Project Data Analytics. National College of Ireland.https://norma.ncirl.ie/2496/1/seanmcnally.pdfMejía, A. G. (2009). Modelos Egarch aplicados a la prueba del CAPM y los modelos multifactoriales para acciones colombianas (2002-2008). Equidad y Desarrollo, 1(11), 31–58. https://doi.org/https://doi.org/10.19052/ed.227Merritt, R. (2022). ¿Qué Es un Modelo Transformer? — Blog de NVIDIA.https://la.blogs.nvidia.com/blog/que-es-un-modelo-transformer/Monsegny, M. C., & Cuervo, E. C. (2008). Modelos ARCH, GARCH y EGARCH: aplicaciones a series financieras. http://www.scielo.org.co/scielo.php?script=sci arttext&pid=S0121-47722008000100011Parrondo. (2018). Blockchain, bitcoin y criptomonedas: Bases conceptuales y aplicaciones prácticas (Vol. 27). https://books.google.es/books?hl=es&lr=&id=f7SIDwAAQBAJ&oi=fnd&pg=PA11&dq=el+Bitcoin+ha+sido+una+de+las+econom%C3%ADas+que+ha+desarrollado+una+mayor+importancia+en+los+%C3%BAltimos+a%C3%B1o&ots=L5xNSVkf0i&sig=m0NevybCZwnEYqNn55vsvtx-Kas#v=onepage&q&f=falsePérez, P., & Valente, M. (2018). Curso de introducción al procesamiento de imágenes radiológicas en ámbito clínico. https://www.famaf.unc.edu.ar/∼pperez1/manuales/cim/cap5.htmlRivera, A. (2017). Serie de tiempo. https://rstudio-pubs-static.s3.amazonaws.com/342393_dfa93f0337784d0285939acce5da8a0f.htmlSánchez, I. (2022). La capacidad predictiva de las redes neuronales LSTM respecto del Bitcoin. https://repositorio.comillas.edu/xmlui/handle/11531/57422Seabe, P. L., Moutsinga, C. R. B., & Pindza, E. (2023). Forecasting Cryptocurrency Prices Using LSTM, GRU, and Bi-Directional LSTM: A Deep Learning Approach. Fractal and Fractional 2023, Vol. 7, Page 203, 7(2), 203. https://doi.org/10.3390/FRACTALFRACT7020203Sevilla, A. (2019). Modelo GARCH — Economipedia. https://economipedia.com/definiciones/modelo-garch.htmlStiegwardt, T., & Los Santos, G. (2022). Cuaderno 170 \| Centro de Estudios en Diseño y Comunicación (2022/2023). 21–45.Sun, Y. (2023). The evolution of transformer models from unidirectional to bidirectional in Natural Language Processing. https://www.researchgate.net/publication/382369809_The_evolution_of_transformer_models_from_unidirectional_to_bidirectional_in_Natural_Language_ProcessingUna guía para la previsión de series temporales con ARIMA en Python 3.(s.f.). https://es.linux-console.net/?p=5324#gsc.tab=0Vásquez (2005). Tipos de estudio y métodos de investigación. www.gestiopolis.comVillanueva, J., M, B., J, S., M, M., J, F., & P, M. (2020). Aplicación de la transformada de Hilbert-Huang en el análisis de señales de comunicación satelital. https://polipapers.upv.es/index.php/RIAI/article/view/10878/11955Villavicencio, J. (s.f.). Un proceso estocástico se dice estacionario si su media y su varianza son constantes. http://www.estadisticas.gobierno.pr/iepr/LinkClick.aspx?fileticket=4 BxecUaZmgLogos-World. (2024). Bitcoin Logo - Logos World. https://logos-world.net/bitcoin-logo/spaLICENSElicense.txtlicense.txttext/plain; charset=utf-82000https://repositorio.unbosque.edu.co/bitstreams/d7c3f3f2-1a7b-437c-97f5-9a3160892550/download17cc15b951e7cc6b3728a574117320f9MD55Anexo 1 Acta de aprobacion.pdfapplication/pdf196013https://repositorio.unbosque.edu.co/bitstreams/5bc160c4-d0a5-4f92-8c23-ba7114802625/download0da66de2fa8f6500fe2eec8852c91590MD512Carta de autorizacion.pdfapplication/pdf316907https://repositorio.unbosque.edu.co/bitstreams/ca7373d3-703e-48ae-96bd-0f731b939410/download0dc1b21f8590ab5c9c37068e68cafc0fMD513ORIGINALTrabajo de grado.pdfTrabajo de grado.pdfapplication/pdf3294811https://repositorio.unbosque.edu.co/bitstreams/78364b03-5246-4eb9-859d-20b366d7a9a2/downloada07eb73d49ebdbd1fab65d873cb5860eMD511CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8899https://repositorio.unbosque.edu.co/bitstreams/337c64a4-727e-43ed-a9c7-3d92cf67bebf/download3b6ce8e9e36c89875e8cf39962fe8920MD510TEXTTrabajo de grado.pdf.txtTrabajo de grado.pdf.txtExtracted texttext/plain101940https://repositorio.unbosque.edu.co/bitstreams/2a345b05-f59c-4c6b-b678-95b424539d28/downloadf664069ecd568ad9f98b433a357d6c56MD514THUMBNAILTrabajo de grado.pdf.jpgTrabajo de grado.pdf.jpgGenerated Thumbnailimage/jpeg3490https://repositorio.unbosque.edu.co/bitstreams/2ac53712-5436-4acb-8289-392726758ac2/download865f5b87ba370b70ffd55823786cb0c5MD51520.500.12495/13599oai:repositorio.unbosque.edu.co:20.500.12495/135992024-12-06 03:04:20.094http://creativecommons.org/licenses/by-nc-sa/4.0/Atribución-NoComercial-CompartirIgual 4.0 Internacionalopen.accesshttps://repositorio.unbosque.edu.coRepositorio Institucional Universidad El Bosquebibliotecas@biteca.comTGljZW5jaWEgZGUgRGlzdHJpYnVjacOzbiBObyBFeGNsdXNpdmEKClBhcmEgcXVlIGVsIFJlcG9zaXRvcmlvIGRlIGxhIFVuaXZlcnNpZGFkIEVsIEJvc3F1ZSBhIHB1ZWRhIHJlcHJvZHVjaXIgeSBjb211bmljYXIgcMO6YmxpY2FtZW50ZSBzdSBkb2N1bWVudG8gZXMgbmVjZXNhcmlvIGxhIGFjZXB0YWNpw7NuIGRlIGxvcyBzaWd1aWVudGVzIHTDqXJtaW5vcy4gUG9yIGZhdm9yLCBsZWEgbGFzIHNpZ3VpZW50ZXMgY29uZGljaW9uZXMgZGUgbGljZW5jaWE6CgoxLiBBY2VwdGFuZG8gZXN0YSBsaWNlbmNpYSwgdXN0ZWQgKGVsIGF1dG9yL2VzIG8gZWwgcHJvcGlldGFyaW8vcyBkZSBsb3MgZGVyZWNob3MgZGUgYXV0b3IpIGdhcmFudGl6YSBhIGxhIFVuaXZlcnNpZGFkIEVsIEJvc3F1ZSBlbCBkZXJlY2hvIG5vIGV4Y2x1c2l2byBkZSBhcmNoaXZhciwgcmVwcm9kdWNpciwgY29udmVydGlyIChjb21vIHNlIGRlZmluZSBtw6FzIGFiYWpvKSwgY29tdW5pY2FyIHkvbyBkaXN0cmlidWlyIHN1IGRvY3VtZW50byBtdW5kaWFsbWVudGUgZW4gZm9ybWF0byBlbGVjdHLDs25pY28uCgoyLiBUYW1iacOpbiBlc3TDoSBkZSBhY3VlcmRvIGNvbiBxdWUgbGEgVW5pdmVyc2lkYWQgRWwgQm9zcXVlIHB1ZWRhIGNvbnNlcnZhciBtw6FzIGRlIHVuYSBjb3BpYSBkZSBlc3RlIGRvY3VtZW50byB5LCBzaW4gYWx0ZXJhciBzdSBjb250ZW5pZG8sIGNvbnZlcnRpcmxvIGEgY3VhbHF1aWVyIGZvcm1hdG8gZGUgZmljaGVybywgbWVkaW8gbyBzb3BvcnRlLCBwYXJhIHByb3DDs3NpdG9zIGRlIHNlZ3VyaWRhZCwgcHJlc2VydmFjacOzbiB5IGFjY2Vzby4KCjMuIERlY2xhcmEgcXVlIGVsIGRvY3VtZW50byBlcyB1biB0cmFiYWpvIG9yaWdpbmFsIHN1eW8geS9vIHF1ZSB0aWVuZSBlbCBkZXJlY2hvIHBhcmEgb3RvcmdhciBsb3MgZGVyZWNob3MgY29udGVuaWRvcyBlbiBlc3RhIGxpY2VuY2lhLiBUYW1iacOpbiBkZWNsYXJhIHF1ZSBzdSBkb2N1bWVudG8gbm8gaW5mcmluZ2UsIGVuIHRhbnRvIGVuIGN1YW50byBsZSBzZWEgcG9zaWJsZSBzYWJlciwgbG9zIGRlcmVjaG9zIGRlIGF1dG9yIGRlIG5pbmd1bmEgb3RyYSBwZXJzb25hIG8gZW50aWRhZC4KCjQuIFNpIGVsIGRvY3VtZW50byBjb250aWVuZSBtYXRlcmlhbGVzIGRlIGxvcyBjdWFsZXMgbm8gdGllbmUgbG9zIGRlcmVjaG9zIGRlIGF1dG9yLCBkZWNsYXJhIHF1ZSBoYSBvYnRlbmlkbyBlbCBwZXJtaXNvIHNpbiByZXN0cmljY2nDs24gZGVsIHByb3BpZXRhcmlvIGRlIGxvcyBkZXJlY2hvcyBkZSBhdXRvciBwYXJhIG90b3JnYXIgYSBsYSBVbml2ZXJzaWRhZCBFbCBCb3NxdWUgbG9zIGRlcmVjaG9zIHJlcXVlcmlkb3MgcG9yIGVzdGEgbGljZW5jaWEsIHkgcXVlIGVzZSBtYXRlcmlhbCBjdXlvcyBkZXJlY2hvcyBzb24gZGUgdGVyY2Vyb3MgZXN0w6EgY2xhcmFtZW50ZSBpZGVudGlmaWNhZG8geSByZWNvbm9jaWRvIGVuIGVsIHRleHRvIG8gY29udGVuaWRvIGRlbCBkb2N1bWVudG8gZW50cmVnYWRvLgoKNS4gU2kgZWwgZG9jdW1lbnRvIHNlIGJhc2EgZW4gdW5hIG9icmEgcXVlIGhhIHNpZG8gcGF0cm9jaW5hZGEgbyBhcG95YWRhIHBvciB1bmEgYWdlbmNpYSB1IG9yZ2FuaXphY2nDs24gZGlmZXJlbnRlIGRlIGxhIFVuaXZlcnNpZGFkIEVsIEJvc3F1ZSwgc2UgcHJlc3Vwb25lIHF1ZSBzZSBoYSBjdW1wbGlkbyBjb24gY3VhbHF1aWVyIGRlcmVjaG8gZGUgcmV2aXNpw7NuIHUgb3RyYXMgb2JsaWdhY2lvbmVzIHJlcXVlcmlkYXMgcG9yIGVzdGUgY29udHJhdG8gbyBhY3VlcmRvLgoKNi4gVW5pdmVyc2lkYWQgRWwgQm9zcXVlIGlkZW50aWZpY2Fyw6EgY2xhcmFtZW50ZSBzdS9zIG5vbWJyZS9zIGNvbW8gZWwvbG9zIGF1dG9yL2VzIG8gcHJvcGlldGFyaW8vcyBkZSBsb3MgZGVyZWNob3MgZGVsIGRvY3VtZW50bywgeSBubyBoYXLDoSBuaW5ndW5hIGFsdGVyYWNpw7NuIGRlIHN1IGRvY3VtZW50byBkaWZlcmVudGUgYSBsYXMgcGVybWl0aWRhcyBlbiBlc3RhIGxpY2VuY2lhLgo=

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

Publicaciones similares