Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/11531/57422
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorCoronado Vaca, Maríaes-ES
dc.contributor.authorSánchez Zurdo, Íñigoes-ES
dc.contributor.otherUniversidad Pontificia Comillas, Facultad de Ciencias Económicas y Empresarialeses_ES
dc.date.accessioned2021-07-05T17:04:18Z
dc.date.available2021-07-05T17:04:18Z
dc.date.issued2022es_ES
dc.identifier.urihttp://hdl.handle.net/11531/57422
dc.descriptionGrado en Administración y Dirección de Empresas y Grado en Derechoes_ES
dc.description.abstractLa creciente atención dedicada al Machine Learning en el ámbito de las finanzas se ha proyectado, como no podía ser de otro modo, en el ámbito de las criptomonedas. Sin embargo, la literatura disponible hasta el momento es escasa respecto de dos aspectos: la utilización de datos de alta frecuencia y la predicción de un valor en lugar de la dirección de la variación del precio. El presente trabajo aborda ambas dimensiones mediante el diseño y optimización de un modelo LSTM que pretende predecir el precio de cotización del bitcoin a 5 minutos vista en base a la cotización, volumen y distintos indicadores técnicos durante los 60 minutos anteriores. El modelo LSTM diseñado no muestra sin embargo una capacidad predictiva superior a la de los modelos de referencia contra los que se compara su rendimiento, a pesar del potencial de las redes LSTM que se proclama en la literatura. Algunos cambios propuestos en la metodología podrían mejorar los resultados, pero por el momento, no podemos sino concluir que las redes LSTM no presentan una capacidad predictiva significativa respecto de la cotización del Bitcoin.es-ES
dc.description.abstractThe growing interest on stock prediction amongst Machine Learning practitioners has expanded into the cryptocurrency market. However, literature as of yet has not turned its attention to some interesting aspects: the use of minute instead of hourly or daily data, and the prediction of stock returns rather than the sign of the movement. As a result, the aim of this paper is to tackle both of the previous issues by building and optimizing an LSTM neural network that aims to predict the price of Bicoin 5 minutes into the future from the stock prices, volume and technical indicators of the previous 60 minutes. The results of the LSTM model show, despite its potential for stock prediction as seen on the literature, a worse performance than the models used as reference. Some of the proposed changes on the used methodology could improve upon these results, but as of now, we can only conclude that LSTM models show no significant predictive ability of Bitcoin future stock prices.en-GB
dc.format.mimetypeapplication/pdfes_ES
dc.language.isoes-ESes_ES
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Stateses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/es_ES
dc.subject53 Ciencias económicases_ES
dc.subject5304 Actividad económicaes_ES
dc.subject530406 Dinero y operaciones bancariases_ES
dc.subject.otherK2Nes_ES
dc.titleLa capacidad predictiva de las redes neuronales LSTM respecto del Bitcoines_ES
dc.typeinfo:eu-repo/semantics/bachelorThesises_ES
dc.rights.accessRightsinfo:eu-repo/semantics/closedAccesses_ES
dc.keywordsBitcoin, Machine Learning, Redes Neuronales, LSTMes-ES
dc.keywordsBitcoin, Machine Learning, Neural Networks, LSTMen-GB
Aparece en las colecciones: KE2-Trabajos Fin de Grado

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
LA CAPACIDAD PREDICTIVA DE LAS REDES NEURONALES LSTM RESPECTO DEL BITCOIN - Sanchez, Zurdo, Inigo.pdfTrabajo Fin de Grado1,03 MBAdobe PDFVista previa
Visualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.