Análisis de series temporales de precios de criptomonedas utilizando memoria a largo plazo y corto plazo
Autores: Fleischer, Jacques Phillipe; von Laszewski, Gregor; Theran, Carlos; Parra Bautista, Yohn Jairo
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Análisis de series temporales de precios de criptomonedas utilizando memoria a largo plazo y corto plazo
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Software
Palabras clave
Criptomonedas
Tecnología blockchain
Volatilidad
Aprendizaje profundo
Análisis de series temporales
Predicción
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 57
Citaciones: Sin citaciones
La digitalización está cambiando nuestro mundo, creando canales financieros innovadores y tecnologías emergentes como las criptomonedas, que son aplicaciones de la tecnología blockchain. Sin embargo, la volatilidad de los precios de las criptomonedas es uno de los principales compromisos de esta tecnología. En este documento, exploramos un análisis de series temporales utilizando aprendizaje profundo para estudiar la volatilidad y comprender este comportamiento. Aplicamos un modelo de memoria a corto y largo plazo para aprender los patrones dentro de los precios de cierre de las criptomonedas y predecir precios futuros. El modelo propuesto aprende de los valores de cierre. El rendimiento de este modelo se evalúa utilizando el error cuadrático medio y comparándolo con un modelo ARIMA.
Descripción
La digitalización está cambiando nuestro mundo, creando canales financieros innovadores y tecnologías emergentes como las criptomonedas, que son aplicaciones de la tecnología blockchain. Sin embargo, la volatilidad de los precios de las criptomonedas es uno de los principales compromisos de esta tecnología. En este documento, exploramos un análisis de series temporales utilizando aprendizaje profundo para estudiar la volatilidad y comprender este comportamiento. Aplicamos un modelo de memoria a corto y largo plazo para aprender los patrones dentro de los precios de cierre de las criptomonedas y predecir precios futuros. El modelo propuesto aprende de los valores de cierre. El rendimiento de este modelo se evalúa utilizando el error cuadrático medio y comparándolo con un modelo ARIMA.