Big data en la valoración de Bitcoin

Abstract

El trabajo que se presenta consiste en el análisis de la valoración de Bitcoin y las variables que la afectan para la posterior elaboración de un modelo predictivo con el programa SPSS de IBM. En la primera parte del trabajo se realiza un breve estudio del contexto del trabajo explicando qué son las criptomonedas y, en particular, qué es el Bitcoin, esto ayuda a sentar la base del trabajo. Después, se estudian las aplicaciones del Big Data explicando algunos ejemplos y se lleva a cabo un breve estudio de los modelos predictivos más utilizados en el sector de las finanzas.

El modelo predictivo utilizado consiste en un modelo ARIMA (1,1,0) con logaritmos lo cual permite reducir la varianza y asimetría mejorando la precisión del modelo. Después se realiza una explicación y análisis individual de las diferentes variables midiendo los resultados de los estadísticos del t-valor y de sig. o el P-valor, lo mismo ocurre con el modelo en general, este se evalúa e interpreta basándose en FAS Residual, FAP Residual, RMSE, MAPE, MAE, BIC Normalizado, R² y la prueba de Ljung Box. Por último, se explican las conclusiones, las implicaciones prácticas del trabajo y las limitaciones y recomendaciones para el futuro. Al final del trabajo se encuentra la bibliografía y lo anexos utilizados a lo largo de la explicación.

This Project that is being presented consists of the analysis of Bitcoin’s valuation and the variables that affect it for the posterior elaboration of a predictive model with the program SPSS by IBM. In the first part of the project, the context is briefly explained by describing what cryptocurrencies are, and in particular what Bitcoin is; this helps to set the base for a better understanding of the project. After, the applications of Big Data are studied and there are some examples, then there is a short study of the most common predictive models used in finance.

The predictive model used consists of an ARIMA (1,1,0) with logarithms which allows a reduction of the variation and asymmetry improving the precision of the model. After this, an explanation and an individual analysis of each variable measuring the results of t-value and P-value was carried out. The same is done with the predictive model, it was evaluated based on Residual FAS, Residual FAP, RMSE, MAPE, MAE, Normalized BIC, R² and the Ljung Box test. The last part of the project consists of a conclusion, an explanation of the practical implications of the project and the limitations and recommendations or the future. A the end of the document there is a bibliography and the figures used for the explanations.