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

Montañez Vargas, Dayana Camila

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

dc.contributor.advisor	Rodriguez Arango, Emiliano
dc.contributor.author	Montañez Vargas, Dayana Camila
dc.date.accessioned	2024-12-05T14:36:02Z
dc.date.available	2024-12-05T14:36:02Z
dc.date.issued	2024-11
dc.description.abstract	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.
dc.description.abstractenglish	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.
dc.description.degreelevel	Pregrado	spa
dc.description.degreename	Matemático	spa
dc.format.mimetype	application/pdf
dc.identifier.instname	instname:Universidad El Bosque	spa
dc.identifier.reponame	reponame:Repositorio Institucional Universidad El Bosque	spa
dc.identifier.repourl	repourl:https://repositorio.unbosque.edu.co
dc.identifier.uri	https://hdl.handle.net/20.500.12495/13599
dc.language.iso	es
dc.publisher.faculty	Facultad de Ciencias	spa
dc.publisher.grantor	Universidad El Bosque	spa
dc.publisher.program	Matemáticas	spa
dc.relation.references	Amat, J., & Escobar, J. (2023). Modelos ARIMA y SARIMAX con python.https://cienciadedatos.net/documentos/py51-modelos-arima-sarimax-python
dc.relation.references	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
dc.relation.references	Bitcoin - BTC Price, Live Chart, and News — Blockchain.com. (s.f.). https://www.blockchain.com/es/explorer/assets/BTC
dc.relation.references	Bitcoin y criptomonedas. (2017). https://www.ese.cl/ese/site/artic/20180514/asocfile/20180514111252/bitcoin_y_criptomonedas.pdf
dc.relation.references	Bits, C. (2020). Redes Transfomer (... o el fin de las Redes Recurrentes) - YouTube. https://www.youtube.com/watch?v=Wp8NocXW_C4
dc.relation.references	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
dc.relation.references	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
dc.relation.references	Castellon, N. (2021). Introducción a Modelo Arima con Python - YouTube. https://www.youtube.com/watch?v=xbqY485yslI&t=1533s
dc.relation.references	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
dc.relation.references	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/
dc.relation.references	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
dc.relation.references	Fernández. (s.f.). Series temporales, modelo ARIMA metodología de Box-Jenkins. https://www.estadistica.net/ECONOMETRIA/SERIESTEMPORALES/modelo-arima.pdf
dc.relation.references	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
dc.relation.references	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
dc.relation.references	García Leonardo. (2021). ¿Qué son las redes neuronales y cómo funcionan? https://www.ucentral.edu.co/noticentral/redes-neuronales
dc.relation.references	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
dc.relation.references	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
dc.relation.references	Huet, P. (2023). Qué son las redes neuronales y sus aplicaciones — OpenWebinars. https://openwebinars.net/blog/que-son-las-redes-neuronales-y-sus-aplicaciones/
dc.relation.references	La volatilidad financiera y cómo calcularla. (2023). https://www.unir.net/revista/empresa/volatilidad-financiera/
dc.relation.references	Lopez, J. (2020). Proceso estocástico. https://economipedia.com/definiciones/proceso-estocastico.html
dc.relation.references	Learning, E. A. M. (2021). ¿Cómo funcionan los Transformers? https://www.aprendemachinelearning . com / como - funcionan - los - transformers - espanol-nlp-gpt-bert/
dc.relation.references	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/
dc.relation.references	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
dc.relation.references	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
dc.relation.references	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
dc.relation.references	Merritt, R. (2022). ¿Qué Es un Modelo Transformer? — Blog de NVIDIA.https://la.blogs.nvidia.com/blog/que-es-un-modelo-transformer/
dc.relation.references	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
dc.relation.references	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
dc.relation.references	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
dc.relation.references	Rivera, A. (2017). Serie de tiempo. https://rstudio-pubs-static.s3.amazonaws.com/342393_dfa93f0337784d0285939acce5da8a0f.html
dc.relation.references	Sánchez, I. (2022). La capacidad predictiva de las redes neuronales LSTM respecto del Bitcoin. https://repositorio.comillas.edu/xmlui/handle/11531/57422
dc.relation.references	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
dc.relation.references	Sevilla, A. (2019). Modelo GARCH — Economipedia. https://economipedia.com/definiciones/modelo-garch.html
dc.relation.references	Stiegwardt, T., & Los Santos, G. (2022). Cuaderno 170 \| Centro de Estudios en Diseño y Comunicación (2022/2023). 21–45.
dc.relation.references	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
dc.relation.references	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
dc.relation.references	Vásquez (2005). Tipos de estudio y métodos de investigación. www.gestiopolis.com
dc.relation.references	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
dc.relation.references	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
dc.relation.references	Logos-World. (2024). Bitcoin Logo - Logos World. https://logos-world.net/bitcoin-logo/
dc.rights	Atribución-NoComercial-CompartirIgual 4.0 Internacional	en
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	http:/purl.org/coar/access_right/c_abf2/
dc.rights.local	Acceso abierto	spa
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subject	Criptomonedas
dc.subject	Bitcoin
dc.subject	Modelos multivariado
dc.subject	Modelos univariados
dc.subject	LSTM
dc.subject	BI-LSTM
dc.subject	Transformer
dc.subject.ddc	510
dc.subject.keywords	Cryptocurrencies
dc.subject.keywords	Bitcoin
dc.subject.keywords	Multivariate models
dc.subject.keywords	Univariate models
dc.subject.keywords	LSTM
dc.subject.keywords	BI-LSTM
dc.subject.keywords	Transformer
dc.title	Predicción del rrecio del Bitcoin al cierre utilizando modelos de redes neuronales y técnicas de feature engineering
dc.title.translated	Prediction of Bitcoin closing price using neural network models and feature engineering techniques
dc.type.coar	https://purl.org/coar/resource_type/c_7a1f
dc.type.coarversion	https://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.driver	info:eu-repo/semantics/bachelorThesis
dc.type.hasversion	info:eu-repo/semantics/acceptedVersion
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado	spa