Especializaciones de la Facultad de Ingeniería · 2022
Modelo predictivo de rentabilidad de criptomonedas para un futuro cercano
RESUMEN : Una criptomoneda es un activo digital que emplea un cifrado criptográfico para garantizar su titularidad, asegurar la integridad de las transacciones y controlar la creación de unidades adicionales. Estas monedas no existen de forma física: se almacenan en una cartera digital. El valor de las criptomonedas varía en función de la oferta, de la demanda y del compromiso de los usuarios. Este valor se forma en ausencia de mecanismos eficaces que impidan su manipulación, como los presentes en los mercados regulados de valores. En muchas ocasiones los precios se forman también sin información pública que las respalde. Cada día aumenta la cantidad de personas y analistas que consideran las criptomonedas como uno de los activos más rentables para invertir, debido a esto, muchos inversores buscan la manera de hacer un pronóstico ya sea de precio o rentabilidad que pueda presentar la criptomoneda en un futuro para obtener ganancias. Como es bien sabido, las criptomonedas se caracterizan por una alta volatilidad, por eso su precio puede aumentar o también disminuir bruscamente. Por lo tanto, aquellos que decidan invertir en criptomonedas deben saber aprovechar la volatilidad a su favor vendiendo o comprando en los instantes de tiempo precisos y fundamentalmente limitando lo más posible el riesgo. Para hacer un pronóstico de criptomonedas preciso se deben considerar algunos procesos y mecanismos que ayuden a comprender qué está sucediendo dentro del mercado. Una parte del análisis, en el cual no se centra completamente este trabajo, se puede basar en el conocimiento de ciertos factores macroeconómicos, políticos y financieros. Por lo tanto, como existen tantas consideraciones en este mercado, se debe tener cuidado para no sacar conclusiones apresuradas. En el presente trabajo se busca encontrar un modelo predictivo que permita realizar un pronóstico, desde el punto de vista de la analítica de datos y el aprendizaje automático, de la rentabilidad de una de las tantas criptomonedas existentes, teniendo en cuenta las particularidades mencionadas de este mercado.
Full text 40 pages with text
Read the full thesis Record in the repository
Contents
- RESUMENp. 7
- DESCRIPCIÓN DEL PROBLEMAp. 8
- Problema de negociop. 9
- Aproximación desde la analítica de los datosp. 9
- Origen de los datosp. 10
- Variable Objetivop. 10
- Métrica de Machine Learning (Desempeño del modelo)p. 12
- Métrica De Negociop. 12
- DATOSp. 14
- Datos Originalesp. 14
- Datasetsp. 15
- Análisis Descriptivop. 17
- Análisis de datos descriptivo de criptomoneda de interés – Bitcoinp. 19
- PROCESO DE ANALÍTICAp. 20
- Pipeline Principalp. 20
- Archivo de configuración (YAML)p. 20
- Carga de datos, limpieza y generación de conjuntos de entrenamiento y testp. 21
- Preprocesamiento de datosp. 22
- Escalamiento de datosp. 24
- Configuración/construcción de los modelosp. 24
- Baselinep. 25
- Entrenamiento, predicciones y métricasp. 25
- Análisis de resultados y selección de modelop. 25
- Despliegue de modelop. 26
- MODELOSp. 27
- Modelos Autorregresivosp. 27
- KNN (K Nearest Neighbors) Regressorp. 27
- Random Forest Regressorp. 28
- LGBM (Light Gradient Boosting Machine)p. 28
- METODOLOGÍAp. 30
- Baselinep. 25
- Validaciónp. 31
- Iteraciones y evoluciónp. 31
- Herramientasp. 33
- RESULTADOSp. 33
- Métricasp. 33
- Evaluación cualitativap. 36
- Consideraciones de producciónp. 36
- CONCLUSIONESp. 38
- REFERENCIASp. 39
- Tabla 1. Descripción de variablesp. 14
- Tabla 2. Desempeño del modelo Baselinep. 30
- Tabla 3. Herramientas utilizadasp. 33
- Tabla 4. Resultados de mejores modelosp. 33
- Tabla 5. Configuración de los modelosp. 34
- Fig. 1. Muestra del conjunto de datosp. 14
- Fig. 2. Identificación y peso asignado a cada criptomonedap. 15
- Fig. 3. Conjuntos de entrenamiento y pruebap. 16
- Fig. 4. Validación cruzada en conjunto de entrenamientop. 17
- Fig. 5. Descripción del conjunto de datosp. 17
- Fig. 6. Cantidad de registros por criptomonedap. 18
- Fig. 7. Valores nulos en variable “Target” para cada criptomonedap. 18
- Fig. 8. Valores nulos en variable “VWAP” en el conjunto de datosp. 19
- Fig. 9. Descripción del subconjunto de datos correspondiente al Bitcoinp. 19
- Fig. 10. Pipeline generalp. 20
- Fig. 11. Valores nulos en variable “Target” para el Bitcoinp. 21
- Fig. 12. Diferencia de tiempo (segundos) entre filas consecutivasp. 22
- Fig. 13. Predicción vs Valor Real - Modelo Baselinep. 30
- Fig. 14. Predicción vs Valor Real - K Neigborhs Regressorp. 35
- Fig. 15. Predicción vs Valor Real - Light GBM Regressorp. 35
- Fig. 16. Predicción vs Valor Real - Random Forest Regressorp. 35
- Fig. 17. Interfaz interactivap. 36
- Fig. 18. Ejemplo de esquema para envío de datosp. 37
- Fig. 19. Ejemplo de predicciones generadasp. 37