Predicción del rrecio del Bitcoin al cierre utilizando modelos de redes neuronales y técnicas de feature engineering
Cargando...
Archivos
Fecha
2024-11
Autores
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
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.
Descripción
Abstract
Currently, 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.
Palabras clave
Criptomonedas, Bitcoin, Modelos multivariado, Modelos univariados, LSTM, BI-LSTM, Transformer
Keywords
Cryptocurrencies, Bitcoin, Multivariate models, Univariate models, LSTM, BI-LSTM, Transformer