Estimación de tendencia de precio de cierre del Bitcoin usando redes neuronales

Abstract

RESUMEN: La presente monografía tiene como objetivo el estudio de series de tiempo en un problema de economía, que consiste en la estimación de los valores de cierre futuros del bitcoin. El proyecto se divide en dos etapas, la primera es la construcción de diferentes modelos base como ARIMA y ARIMAX haciendo uso de variables exógenas. La segunda se basa en el uso de modelos más modernos, donde se explora el uso de técnicas de Deep Learning y las aplicaciones de diferentes arquitecturas de redes neuronales. Así mismo, dado que el desarrollo contempla diversos tipos de modelos, la manera de elegir el más adecuado es por medio del uso de métricas de desempeño como el error cuadrático medio, el error relativo medio absoluto y el error absoluto medio, con lo cual se escoge el modelo con menor valor en dichas métricas. De este modo, se decide realizar una comparación entre los modelos clásicos y los modernos, tomando como base el mejor modelo clásico: ARMAX que es el modelo que obtiene el mejor desempeño. Por otro lado para el caso de los modelos de redes neuronales el que mejor desempeño presenta es la red LSTM, ya que presenta un balance entre el error y overfitting con relación a los demás modelos. Finalmente se concluye que las redes neuronales son mejores que los modelos clásicos, ya que a pesar que estos últimos usan variables exógenas al aumentar la cantidad de parámetros de entrada al modelo, las redes neuronales dan mejor resultados al solo utilizar el valor de cierre del bitcoin como parámetro de entrada obteniendo un valor de error menor. Sin embargo se evidencia que la estimación de valores futuros no es una tarea sencilla, ya que las serie de tiempo están permeadas por factores externos que insertan un alto grado de incertidumbre, debido a que por cada n valor adicional que se quiere predecir, en cada iteración se agregan errores que imposibilitan una estimación a largo plazo, es por esto que se considera como mejora estar entrenando el modelo cada cierto tiempo.