Análisis y Pronóstico de los Mercados de Criptomonedas Utilizando Modelos de Aprendizaje Profundo Basados en Bayesian y LSTM
Autores: Biki, Bidesh Biswas; Sakamoto, Makoto; Takei, Amane; Alam, Md. Jubirul; Riajuliislam, Md.; Showaibuzzaman, Showaibuzzaman
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Análisis y Pronóstico de los Mercados de Criptomonedas Utilizando Modelos de Aprendizaje Profundo Basados en Bayesian y LSTM
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Criptomonedas
Modelos de pronóstico
Precios de Bitcoin
Modelo bayesiano de espacio de estados
Redes neuronales de memoria a largo y corto plazo (LSTM)
Datos históricos de precios
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
El rápido aumento de los precios de las criptomonedas ha intensificado la necesidad de modelos de pronóstico robustos que puedan capturar los patrones irregulares y volátiles. Este estudio tiene como objetivo pronosticar los precios de Bitcoin en un horizonte de 15 días evaluando y comparando dos enfoques de modelado predictivo distantes: el modelo Bayesiano de Espacio de Estados y las redes neuronales de Memoria a Largo y Corto Plazo (LSTM). Se utilizan datos históricos de precios desde enero de 2024 hasta abril de 2025 para el entrenamiento y la prueba del modelo. El modelo Bayesiano proporcionó información probabilística al lograr un Error Cuadrático Medio (MSE) de 0.0000 y un Error Absoluto Medio (MAE) de 0.0026 para los datos de entrenamiento. Para los datos de prueba, proporcionó 0.0013 para MSE y 0.0307 para MAE. Por otro lado, el modelo LSTM proporcionó dependencias temporales y tuvo un rendimiento sólido al lograr 0.0004 para MSE, 0.0160 para MAE, 0.0212 para RMSE y 0.9924 para R2 en términos de datos de entrenamiento y para datos de prueba, 0.0007 para MSE con un R2 de 0.3505. A partir del resultado, se indica que, si bien el modelo LSTM sobresale en el rendimiento de entrenamiento, el modelo Bayesiano proporciona una mejor interpretabilidad con márgenes de error más bajos en la prueba, destacando las compensaciones entre la precisión del modelo y el pronóstico probabilístico en los mercados de criptomonedas.
Descripción
El rápido aumento de los precios de las criptomonedas ha intensificado la necesidad de modelos de pronóstico robustos que puedan capturar los patrones irregulares y volátiles. Este estudio tiene como objetivo pronosticar los precios de Bitcoin en un horizonte de 15 días evaluando y comparando dos enfoques de modelado predictivo distantes: el modelo Bayesiano de Espacio de Estados y las redes neuronales de Memoria a Largo y Corto Plazo (LSTM). Se utilizan datos históricos de precios desde enero de 2024 hasta abril de 2025 para el entrenamiento y la prueba del modelo. El modelo Bayesiano proporcionó información probabilística al lograr un Error Cuadrático Medio (MSE) de 0.0000 y un Error Absoluto Medio (MAE) de 0.0026 para los datos de entrenamiento. Para los datos de prueba, proporcionó 0.0013 para MSE y 0.0307 para MAE. Por otro lado, el modelo LSTM proporcionó dependencias temporales y tuvo un rendimiento sólido al lograr 0.0004 para MSE, 0.0160 para MAE, 0.0212 para RMSE y 0.9924 para R2 en términos de datos de entrenamiento y para datos de prueba, 0.0007 para MSE con un R2 de 0.3505. A partir del resultado, se indica que, si bien el modelo LSTM sobresale en el rendimiento de entrenamiento, el modelo Bayesiano proporciona una mejor interpretabilidad con márgenes de error más bajos en la prueba, destacando las compensaciones entre la precisión del modelo y el pronóstico probabilístico en los mercados de criptomonedas.