Modelos de predicción estocástica para bitcoin : una evaluación de métodos y desempeño

Vista sencilla de ítem
dc.contributor.advisorCadavil Gil, Alejandro
dc.contributor.authorForero Criollo, Juan Sebastián
dc.contributor.authorHernández Hernández, Caroline
dc.coverage.spatialMedellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degreeseng
dc.creator.degreeMagíster en Administración Financieraspa
dc.creator.emailjsforeroc@eafit.edu.co
dc.creator.emailchernande1@eafit.edu.co
dc.date.accessioned2024-03-20T21:35:55Z
dc.date.available2024-03-20T21:35:55Z
dc.date.issued2023
dc.descriptionLa investigación se centra en pronosticar los precios del Bitcoin (BTC) mediante modelos estadísticos, incluyendo LSTM, GRU, SVR, árboles de decisión, Random Forest y XGBoost. Evaluamos su rendimiento en términos de R2, RSME, MAPE, Indicador de concordancia de Lin (CCC) y Explained Variance Score, métricas que se seleccionaron por su capacidad para evaluar modelos de regresión. Se utilizaron datos de precios de cierre del BTC (2014-2023), sometidos a un preprocesamiento que incluyó limpieza, optimización e ingeniería de datos. Los modelos, inicialmente sin optimizaciones, se mejoraron mediante ajuste de hiperparámetros y técnicas estadísticas especializadas, como validación cruzada, regularización L1-L2, optimización bayesiana y genética. Los resultados destacan el XGBoost como el modelo óptimo con la incorporación ajuste iterativo de hiperparámetros, optimización bayesiana y validación cruzada anidada. Este logró valores sobresalientes en todas las métricas evaluadas: RSME de USD 30,45, MAPE de 0,09%, R cuadrado de 1.0, CCC y Explained Variable Score (EVS) de 1.0 en cada caso.
dc.description.abstractThis research focuses on forecasting Bitcoin (BTC) prices using statistical models, including LSTM, GRU, SVR, decision trees, Random Forest, and XGBoost. We evaluate their performance in terms of R2, RSME, MAPE, Lin Concordance Coefficient (CCC), and Explained Variance Score—metrics selected for their ability to assess regression models. We utilized BTC closing price data from 2014 to 2023, subjected to preprocessing involving cleaning, optimization, and data engineering. The models, initially unoptimized, were enhanced through hyperparameter tuning and specialized statistical techniques such as cross-validation, L1-L2 regularization, Bayesian and genetic optimization. The results highlight XGBoost as the optimal model with the incorporation of iterative hyperparameter tuning, Bayesian optimization, and nested cross-validation. It achieved outstanding values in all evaluated metrics: RSME of USD 30.45, MAPE of 0.09%, R-squared of 1.0, Lin Concordance Coefficient, and Explained Variance Score of 1.0 in each case.
dc.formatapplication/pdfeng
dc.identifier.ddc332.456 F715
dc.identifier.urihttps://hdl.handle.net/10784/33611
dc.language.isospaspa
dc.publisherUniversidad EAFITspa
dc.publisher.departmentEscuela de Finanzas, Economía y Gobierno. Departamento de Finanzasspa
dc.publisher.placeBogotá
dc.publisher.programMaestría en Administración Financieraspa
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccesseng
dc.rights.localAcceso abiertospa
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/deed.es
dc.subjectPredicción de precios
dc.subjectModelos de series temporales
dc.subject.keywordPrice prediction
dc.subject.keywordBitcoin
dc.subject.keywordBTC
dc.subject.keywordTime series models
dc.subject.keywordLSTM
dc.subject.lembMODELOS ECONÓMICOS
dc.subject.lembFINANZAS - ADMINISTRACIÓN
dc.subject.lembTÍTULOS VALORES
dc.subject.lembADMINISTRACIÓN FINANCIERA
dc.titleModelos de predicción estocástica para bitcoin : una evaluación de métodos y desempeño
dc.typemasterThesiseng
dc.typeinfo:eu-repo/semantics/masterThesiseng
dc.type.hasVersionacceptedVersioneng
dc.type.localTesis de Maestríaspa
dc.type.spaOtro

Archivos

Bloque original
Mostrando 1 - 3 de 3
No hay miniatura disponible
Nombre:
Caroline_HernandezHernandez_JuanSebastian_ForeroCriollo_2024.pdf
Tamaño:
758.36 KB
Formato:
Adobe Portable Document Format
Descripción:
Trabajo de grado
Descargar
No hay miniatura disponible
Nombre:
formulario_autorizacion_publicacion_obras.pdf.pdf
Tamaño:
1.82 MB
Formato:
Adobe Portable Document Format
Descripción:
Formulario de autorización de publicación de obras
Descargar
No hay miniatura disponible
Nombre:
carta_aprobacion_trabajo_grado_eafit.pdf
Tamaño:
94.87 KB
Formato:
Adobe Portable Document Format
Descripción:
Carta de aprobación de tesis de grado
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
2.5 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Maestría en Administración Financiera (tesis)