Maestría en Métodos Cuantitativos para Economía y Finanzas · 2026
Predicción del precio del Bitcoin mediante Deep Learning
El presente trabajo aborda uno de los principales desafíos en el ámbito financiero y tecnológico: la predicción del precio del Bitcoin. El creciente protagonismo de las criptomonedas en los mercados globales, junto con su elevada volatilidad y la limitada capacidad predictiva de los métodos tradicionales, ha motivado el uso de herramientas avanzadas de análisis, particularmente aquellas basadas en inteligencia artificial. Como punto de partida, se estimaron procedimientos SARIMA como línea base, y se modeló la serie temporal del Bitcoin utilizando inicialmente la serie original, en concordancia con la práctica predominante en la literatura. No obstante, de manera complementaria se implementó el procedimiento de Box-Jenkins para el preprocesamiento de la serie, con el objetivo de facilitar el aprendizaje de las redes neuronales al transformar patrones altamente complejos en estructuras más simples y estables. Adicionalmente, para fortalecer el proceso de selección del mejor modelo, se generaron miles de series sintéticas a partir de los residuales, las cuales fueron evaluadas mediante inspección visual y la prueba de Kolmogorov-Smirnov de dos muestras. Este análisis incorporó explícitamente el comportamiento de los residuales, dado que constituyen la base para la simulación, y permitió orientar la evaluación hacia la capacidad predictiva de los modelos más que únicamente hacia su ajuste dentro de la muestra. Los resultados evidencian que el modelo con mejor desempeño global corresponde a una arquitectura LSTM aplicada sobre la serie transformada. Si bien la LSTM ajustada sobre la serie sin transformar presentó un desempeño satisfactorio dentro de la muestra, su capacidad predictiva resultó limitada al analizar la generación de series sintéticas, lo que confirma la importancia del preprocesamiento para mejorar la estabilidad y robustez de los pronósticos.
Texto completo 72 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- Introducciónp. 10
- Planteamiento del problemap. 11
- 1.1 Antecedentesp. 12
- 1.2 Discusión de antecedentesp. 22
- Justificaciónp. 24
- Objetivosp. 25
- 3.1 Objetivo generalp. 25
- 3.2 Objetivos específicosp. 25
- Hipótesisp. 25
- 4.1 Hipótesis de trabajop. 25
- Marco teóricop. 26
- Metodologíap. 28
- 6.1 Modelos de series de tiempo: enfoque Box-Jenkinsp. 31
- 6.1.1 Transformación de la serie de tiempop. 31
- 6.1.2 Ajuste del procedimiento SARIMAp. 32
- 6.1.3 Selección del modelo mediante AUTOARIMAp. 33
- 6.2 Métodos de Deep Learningp. 33
- 6.2.1 Red Neuronal Artificialp. 33
- 6.2.2 Red Neuronal Recurrentep. 34
- 6.2.3 Long Short-Term Memoryp. 35
- 6.2.4 Gated Recurrent Unitp. 37
- 6.3 Optimización de hiperparámetrosp. 38
- 6.4 Evaluación de los modelosp. 39
- 6.4.1 Métricas de desempeñop. 39
- 6.4.2 Análisis de residualesp. 40
- 6.4.2.1 Prueba de homocedasticidad Breusch-Paganp. 41
- 6.4.2.2 Prueba de homocedasticidad Whitep. 41
- 6.5 Generación de series sintéticasp. 42
- Resultadosp. 43
- 7.1 Resultados del procedimiento SARIMAp. 48
- 7.2 Resultados de los modelos de Deep Learningp. 52
- 7.2.1 Resultados de los modelos de Deep Learning serie de tiempo sin transformarp. 52
- 7.2.2 Resultados de los modelos de Deep Learning serie de tiempo estacionariap. 56
- Discusiónp. 60
- Conclusionesp. 17
- 9.1 Cumplimiento de objetivosp. 66
- 9.2 Limitacionesp. 67
- 9.2.1 Enfoque basado en precios en lugar de retornosp. 67
- 9.2.2 Tamaño y frecuencia de la muestrap. 67
- 9.2.3 Uso de una única variable exógenap. 68
- 9.2.4 Evaluación centrada en simulación empírica de los residualesp. 68
- 9.2.5 Alcance específico al mercado del Bitcoinp. 69
- Recomendacionesp. 69
- Referenciasp. 70
- Figura 1. Esquema general para el pronóstico de la serie de tiempo del BTCp. 29
- Figura 2. Estructura de la red Neuronal RNAp. 34
- Figura 3.Estructura de la red Neuronal RNNp. 35
- Figura 4. Estructura de la red Neuronal LSTMp. 36
- Figura 5. Estructura de la red Neuronal GRUp. 37
- Figura 6. Precios semanales del BTCp. 44
- Figura 7. Serie, ACF, PACF, transformaciones y diferenciacionesp. 45
- Figura 8. Transformación y diferenciación Box-Cox precio semanal del Bitcoinp. 46
- bitcoin mediante transformación Box-Coxp. 47
- primer ordenp. 47
- Figura 11. Análisis de residuales del procedimiento SARIMAp. 48
- Figura 12. Ajuste y pronóstico del precio del BTCp. 50
- Figura 13. Ejemplo 10 sintéticas SARIMA(4, 1, 0)(0, 1, 1, 4)p. 50
- Figura 14. Boxplot mensual 5000 series sintéticasp. 51
- Figura 15. Análisis de residuales de la serie de tiempo sin transformarp. 53
- Figura 16. Ajuste de la serie sin transformaciónp. 54
- Figura 17. Ejemplo de 10 series sintéticas del modelo LSTM sin transformaciónp. 55
- Figura 18. Boxplot mensual 5000 series sintéticasp. 56
- Figura 19. Análisis de residuales de la serie de tiempo transformadap. 57
- Figura 20. Ajuste de la serie transformadap. 58
- Figura 21. Ejemplo de 5 series sintéticas del modelo LSTMp. 59
- Figura 22. Boxplot mensual 5000 series sintéticasp. 59
- Figura 23. R2 de los modelos ajustados train y testp. 61
- Figura 24. RMSE de los modelos ajustados train y testp. 62
- Tabla 1. Distribución por área temáticap. 13
- Tabla 2. Documentos publicados por añop. 14
- Tabla 3. Principales autoresp. 15
- Tabla 4. Países o territorios con más publicacionesp. 15
- Tabla 5. Distribución por tipo de documentop. 16
- criptomonedasp. 14
- Tabla 7. Hiperparámetros considerados en el diseño del modelop. 38
- Tabla 8. Hiperparámetros del mejor modelop. 52