Especialización en Analítica y Ciencia de Datos · 2026
Pronóstico de volatilidad del bitcoin mediante redes neuronales profundas: una comparación entre arquitecturas secuenciales y métodos de Gradient Boosting
La volatilidad del Bitcoin plantea uno de los retos más persistentes en la gestión de riesgo de los mercados de criptoactivos: su carácter discontinuo, su sensibilidad extrema a noticias y su estructura de dependencias no lineales hacen que ningún modelo capture de forma definitiva su comportamiento. Este trabajo examina la capacidad predictiva de distintas aproximaciones econométricas, de aprendizaje automático y de aprendizaje profundo aplicadas al pronóstico de la volatilidad realizada horaria del Bitcoin a partir de datos de alta frecuencia del mercado spot. Se implementaron y compararon cinco metodologías: el modelo Heterogeneous Autoregressive (HAR) como referencia econométrica, CatBoost como representante de gradient boosting sobre datos tabulares, y tres arquitecturas de redes neuronales profundas (LSTM, GRU y Transformer). La variable objetivo se construyó como el logaritmo de la volatilidad realizada horaria adelantada un período. El conjunto de predictores incluyó componentes autorregresivos, proxies de volatilidad intraperiodo, variables de microestructura de mercado y codificación temporal cíclica. Los resultados fuera de muestra evaluados con RMSE, MAE y QLIKE sobre datos de julio de 2022 a abril de 2026 indican que CatBoost alcanzó el mejor desempeño global, seguido por GRU y HAR. Estos hallazgos sugieren que, bajo las condiciones analizadas, una ingeniería de características tabular bien construida combinada con métodos de gradiente no lineal supera a las arquitecturas secuenciales profundas, incluso cuando estas últimas disponen de ventanas temporales amplias. El estudio aporta a la literatura sobre pronóstico de volatilidad en criptoactivos evidencia comparativa sistemática bajo condiciones de alta frecuencia, y subraya la necesidad de confrontar arquitecturas complejas contra líneas base parsimoniosas antes de adoptarlas en aplicaciones de riesgo financiero.