Efecto de indicadores económicos adelantados sobre la predicción de precios de criptomonedas
Dublin Core | Elementos de metadatos PKP | Metadatos para el documento | |
1. | Título | Título del documento | Efecto de indicadores económicos adelantados sobre la predicción de precios de criptomonedas |
2. | Creador/a | Nombre de autor/a, institución, país | Andrés Manuel Mohali Marcano; Universidad de Los Andes; Venezuela, República Bolivariana de |
2. | Creador/a | Nombre de autor/a, institución, país | Francisco Javier Palm Rojas; Universidad de Los Andes; Venezuela, República Bolivariana de |
3. | Materia | Disciplina(s) | |
3. | Materia | Palabra/s clave | Criptomonedas, Redes Neuronales, LSTM, variables macroeconómicas, predicciones, aprendizaje automático. |
4. | Descripción | 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
|
5. | Editorial | Institución organizadora, ubicación | Centro de Investigaciones y Desarrollo Empresaria-CIDE |
6. | Colaborador/a | Patrocinador(es) | |
7. | Fecha | (DD-MM-AAAA) | 2022-01-21 |
8. | Tipo | Estado y género | Artículo revisado por pares |
8. | Tipo | Tipo | |
9. | Formato | Formato de archivo | |
10. | Identificador | Identificador uniforme de recursos | http://erevistas.saber.ula.ve/index.php/visiongerencial/article/view/17581 |
11. | Fuente | Título; vol., núm. (año) | Visión Gerencial; Núm. 1 (2022): ENERO - JUNIO 2022 |
12. | Idioma | Español=es | |
13. | Relación | Archivos complementarios | |
14. | Cobertura | Localización geoespacial, periodo cronológico, muestra de investigación (sexo, edad, etc.) | |
15. | Derechos | Derechos de autor/a y permisos |
Copyright (c) 2021 Visión Gerencial |