Efecto de indicadores económicos adelantados sobre la predicción de precios de criptomonedas

Resumen

DOI: https://doi.org/10.53766/VIGEREN/2021.21.01.03

Este estudio analiza el desempeño de modelos complejos al incluir variables externas. Se compara el rendimiento de redes neuronales LSTM (Long-Short Term Memory), con y sin incluir las variables macroeconómicas del petróleo, el índice del dólar, el índice del euro y el cambio dólar/yuan junto con datos históricos de criptomonedas, para intentar mejorar las predicciones. Se proponen cuatro modelos para ambos casos, univariante y multivariante, comparando el mejor de cada caso, centrando los resultados en las variables en lugar de los modelos. Los mejores resultados LSTM se compararon entonces con el modelo ARIMA (Auto regresivo, Diferenciado y de Media Móvil). Usando los índices MASE (Media Absoluta Escalada del Error), MAPE (Media Absoluta Porcentual del Error) y el estadístico Diebold-Mariano. Se concluyó que había diferencias significativas para todas las series exceptuando al BitcoinCash. Siendo más precisos los modelos de redes neuronales univariantes. Asimismo, todos los modelos LSTM presentaron diferencias significativas con los modelos ARIMA. Siendo el LSTM el mejor de los casos, exceptuando al BitcoinCash. Se concluyó que las variables económicas consideradas no eran significativas para predecir los precios de las criptomonedas consideradas y que el ajuste de las redes LSTM debe hacerse de acuerdo con la complejidad del problema.

Referencias

Anshul S., T.R. Sukumar. (2018). Predicting      bitcoin price using LSTM and Compare its predictability with ARIMA model. International Journal of Pure and Applied Mathematics Vol. 119: (17) pp 2591-2600. Recuperado de: https://acadpubl.eu/hub/2018-119-17/3/214.pdf

Antoniadis, I., Sariannidis, N., and Kontsas, S. (2018). The Effect of Bitcoin Prices on US Dollar Index Price. Springer Proceedings in Business and Economics, pp 511–521.

Azari, A. (2018). Bitcoin Price Prediction: An ARIMA Approach. KTH Royal Institute of Technology. Recuperado de: https://www.researchgate.net/publication/328288986_Bitcoin_Price_Prediction_An_ARIMA_Approach

Coinmarketcap.(2019). Historical Snapshot - February 24, 2019. Recuperado de: https://coinmarketcap.com/historical/20190224/

Coinmarketcap B. (2019). Global Charts - Percentage of Total Market Capitalization (Dominance) . Recuperado de: https://coinmarketcap.com/charts/#dominance-percentage

Cryer J., Chang K. (2008). Time Series Analysis With Applications in R. Springer. Second Edition.

Franses, P. H. (2016). A note on the Mean Absolute Scaled Error. International Journal of Forecasting, 32(1), 20–22. Recuperado de: https://sci-hub.tw/10.1016/j.ijforecast.2015.03.008

Gordon Scott. (2019). Bubble Theory. Investopedia. Recuperado de: https://www.investopedia.com/terms/b/bubble-theory.asp

ICE Futures U.S. (2015). U.S. Dollar Index Contracts - FAQ.

Investing. (2019). US Dollar Index (DXY). Recuperado de: https://www.investing.com/indices/usdollar

Investing B. (2019). USD/CNY - US Dollar Chinese Yuan. Recuperado de: https://www.investing.com/currencies/usd-cny

Investing Support. (2019). Where do you get your data quotes from?. Investing. Recuperado de: https://www.investing-support.com/hc/en-us/articles/115004038165-Where-do-you-get-your-data-quotes-from-

Karakoyun, E. and Cibikdiken, A. (2018). Comparison of ARIMA Time Series Model and LSTM Deep Learning Algorithm for Bitcoin Prince Forecasting. Ch p. 171-179. En: Vopava, J., Douda, V., Kratochvil, R., and Konecki, M. Editores. Proceedings of MAC 2018 in Prague. Academic Conferences Association,z.s. Praga-República Checa.

Michael, A.Nielsen. (2015). Neural Network and Deep Learning. Determination Press. Recuperado de: http://neuralnetworksanddeeplearning.com/index.html

Niklas Donges. (2018). Recurrent Neural Networks and LSTM. Medium. Recuperado de: https://towardsdatascience.com/recurrent-neural-networks-and-lstm-4b601dd822a5

Larrañaga P., Inza I., Moujahid A. (2019). Redes Neuronales. Departamento de Ciencias de la Computación e Inteligencia Artificial. Universidad del Paìs Vasco–Euskal Herriko Unibertsitatea. Recuperado de: http://www.sc.ehu.es/ccwbayes/docencia/mmcc/docs/t8neuronales.pdf

Organization of Petroleum Exporting Countries (OPEC). (2017). OPEC Share of World Crude Oil Reserves, 2017. Recuperado de: https://www.opec.org/opec_web/en/data_graphs/330.htm

Quandl. (2019). OPEC Crude Oil Price. Recuperado de: https://www.quandl.com/data/OPEC/ORB-OPEC-Crude-Oil-Price

Rob Hyndman. (2019). auto.arima. R Documentation. Recuperado de:https://www.rdocumentation.org/packages/forecast/versions/8.7/topics/auto.arima

Roy, S., Nanjiba, S., & Chakrabarty, A. (2018). Bitcoin Price Forecasting Using Time Series Analysis. 2018 21st International Conference of Computer and Information Technology (ICCIT).

Stooq. (2019). Historical data: Euro Index (EUR_I). Recuperado de: https://stooq.com/q/d/?s=eur_i