Estimación de Precios de Bitcoin mediante Regresión Lineal Múltiple y Redes Neuronales
Barra lateral del artículo
Contenido principal del artículo
Resumen
Diversos estudios se han enfocado en estimar el precio de las criptomonedas utilizando modelos
de series de tiempo y variables estáticas. Este estudio se centra en la predicción del precio de Bitcoin, utilizando un modelo que combina la regresión lineal múltiple y las redes neuronales. Este enfoque permite identificar los factores que influyen en la volatilidad de Bitcoin y, mediante una selección dinámica de variables, detectar constantemente el conjunto de características más relevante para la predicción. Asimismo, se optimiza la cantidad de datos para mejorar la precisión y evitar la sobreutilización de información histórica. La combinación de estas técnicas permitió capturar patrones y tendencias subyacentes, aumentando la confiabilidad de las predicciones, con una precisión del 88%. Sin embargo, es crucial considerar la necesidad de evaluaciones continuas para adaptarse a las cambiantes condiciones del mercado. Este enfoque brinda una herramienta más precisa para tomar decisiones informadas en un mercado altamente volátil.
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Cuando un artículo es aprobado, el(los) autor(es) conservan los derechos de autor y cede(n) a la revista PODIUM el derecho de ser la primera que pueda editarlo, reproducirlo, exhibirlo y comunicarlo mediante medios impresos y electrónicos.
La revista PODIUM se publica bajo una licencia Creative Commons Reconocimiento-No Comercial 4.0 Internacional (CC-BY-NC 4.0), la cual permite compartir (copiar y redistribuir el material en cualquier medio o formato) y adaptar (remezclar, transformar y crear a partir del material), bajo la condición de que se den los créditos correspondientes al autor y a la revista y no se haga uso comercial de los materiales.
Se autoriza la reproducción, parcial o total, de los artículos publicados en la revista PODIUM, siempre que se cite apropiadamente la fuente y se use sin propósitos comerciales.
Citas
Almeida, J., y Gonçalves, T. C. (2023). A Decade of Cryptocurrency Investment Literature: A Cluster-Based Systematic Analysis. International Journal of Financial Studies, 11(2), 71. https://doi.org/10.3390/ijfs11020071
Anamika, M. C., y Subramaniam, S. (2023). Does sentiment impact cryptocurrency? Journal of Behavioral Finance, 24(2), 202–218. https://doi.org/10.1080/15427560.2021.1950723
Balcilar, M., Bouri, E., Gupta, R., y Roubaud, D. (2017). Can Volume Predict Bitcoin Returns and Volatility? A Quantiles-Based Approach. Economic Modelling, 64, 74–81. https://doi.org/10.1016/j.econmod.2017.03.019
Chuang, C. C., Kuan, C. M., y Lin, H. Y. (2009). Causality in quantiles and dynamic stock return-volume relations. Journal of Banking and Finance, 33(7), 1351–1360. https://doi.org/10.1016/j.jbankfin.2009.02.013
Dey, P., Hossain, E., Hossain, M. I., Chowdhury, M. A., Alam, M. S., Hossain, M. S., y Andersson, K. (2021). Comparative analysis of recurrent neural networks in stock price prediction for different frequency domains. Algorithms, 14(8), 1–20. https://doi.org/10.3390/a14080251
Fama, E. F. (1970). Efficient Market Hypothesis: A Review of Theory and Empirical Work. The Journal of Finance, 25(2), 383–417. https://doi.org/10.2307/2325486
Fry, J., y Ibiloye, O. (2023). Towards a taxonomy for crypto assets. Cogent Economics and Finance, 11(1). https://doi.org/10.1080/23322039.2023.2207266
Georgoula, I., Pournarakis, D., Bilanakos, C., Sotiropoulos, D. N., y Giaglis, G. M. (2015). Using Time-Series and Sentiment Analysis to Detect the Determinants of Bitcoin Prices. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.2607167
He, B., y Eisuke, K. (2021). The Application of Sequential Generative Adversarial Networks for Stock Price Prediction. The Review of Socionetwork Strategies, 15, 455–470. https://doi.org/10.1007/s12626-021-00097-2
Ivanovski, K., y Hailemariam, A. (2023). Forecasting the stock-cryptocurrency relationship: Evidence from a dynamic GAS model. International Review of Economics and Finance, 86(February 2022), 97–111. https://doi.org/10.1016/j.iref.2023.03.008
Kjærland, F., Khazal, A., Krogstad, E., Nordstrøm, F., y Oust, A. (2018). An Analysis of Bitcoin’s Price Dynamics. Journal of Risk and Financial Management, 11(4), 63. https://doi.org/10.3390/jrfm11040063
Kang, T. S., Joo, M. I., Kim, B. S., y Lee, T. G. (2022, February). Blockchain-based Lightweight Transaction Process Modeling and Development. In 2022 24th International Conference on Advanced Communication Technology (ICACT) (pp. 113-118). IEEE.Lahiani, A., Jeribi, A., y Boukef Jlassi, N. (2021). Nonlinear tail dependence in cryptocurrency and stock market returns: The role of Bitcoin futures. Research in International Business and Finance, 56. https://doi.org/10.1016/j.ribaf.2020.101351
Malkiel, B. G. (2004). Models of stock market predictability. Journal of Financial Research, 27(4), 449–459. https://doi.org/10.1111/j.1475-6803.2004.00102.x
Martínez, J., Améstica-Rivas, L., Parisi, A., y Gurrola, C. (2021). Predictor alternativo del precio de los activos financieros. El caso de la plata y el oro. Oikos Polis, Revista Latinoamericana, 30–54. http://www.scielo.org.bo/pdf/rlces/v6n2/v6n2_a04.pdf
Mohali, A., y Palm, F. (2021). Efecto de indicadores económicos adelantados sobre la predicción de precios de criptomonedas. Visión Gerencial, 1(21), 59–68. https://doi.org/10.53766/vigeren/2021.21.01.03
Parisi-Fernández, A., Améstica-Rivas, L., y Chileno-Trujillo, Ó. (2019). Predicción de variaciones en el precio del petróleo con el modelo de optimización ARIMA, innovando con fuerza bruta operacional. Tec Empresarial, 13(1), 53–70. https://doi.org/10.18845/te.v13i1.4302
Parisi, A., Parisi, F., y Díaz, D. (2006). Modelos de algoritmos genéticos y redes neuronales en la predicción de indices bursátiles asiáticos. Cuadernos de Economia - Latin American Journal of Economics, 43(128), 251–284. https://www.jstor.org/stable/41951551
Shen, D., Urquhart, A., y Wang, P. (2019). Does twitter predict Bitcoin? Economics Letters, 174, 118–122. https://doi.org/10.1016/j.econlet.2018.11.007
Smales, L. A. (2019). Bitcoin as a safe haven: Is it even worth considering? Finance Research Letters, 30, 385–393. https://doi.org/10.1016/j.frl.2018.11.002
Sun, X., Liu, M., y Sima, Z. (2020). A novel cryptocurrency price trend forecasting model based on LightGBM. Finance Research Letters, 32. https://doi.org/10.1016/j.frl.2018.12.032
Yao, Y., Li, X., y Li, Q. (2022). A Comparison on LSTM Deep Learning Method and Random Walk Model Used on Financial and Medical Applications: An Example in COVID-19 Development Prediction. Computational Intelligence and Neuroscience, 2022. https://doi.org/10.1155/2022/4383245
Ye, Z., Wu, Y., Chen, H., Pan, Y., y Jiang, Q. (2022). A Stacking Ensemble Deep Learning Model for Bitcoin Price Prediction Using Twitter Comments on Bitcoin. Mathematics, 10(8). https://doi.org/10.3390/math10081307