Predicción del precio del bitcoin mediante redes neuronales recurrentes

Abstract

[spa] En los últimos años se ha incrementado exponencialmente la utilización de criptomonedas, que pretenden sustituir al dinero fiduciario emitido por los bancos centrales. Este trabajo busca predecir el precio del Bitcoin, la criptomoneda por excelencia, mediante redes neuronales recurrentes (RNR). Se emplean redes neuronales Long Short Term Memory (LSTM), un tipo de RNR que, gracias a su celda de memoria, permite almacenar información del pasado para hacer predicciones más precisas. En las predicciones se utiliza el método de rolling window, que emplea un número definido de observaciones pasadas para predecir la siguiente observación de manera recurrente con cuatro tamaños distintos, y se elige el mejor modelo según el MAE (del inglés, mean absolute error) y RMSE (del inglés, root mean squared error). Finalmente, se contrasta si el modelo elegido predice mejor que el resto mediante el contraste de Diebold-Mariano. Los resultados obtenidos confirman que el uso de RNR puede ser útil para predecir el precio del Bitcoin.

[eng] In recent years, the use of cryptocurrencies has increased exponentially, which are virtual currencies that aim to replace fiduciary money issued by central banks. In this study, we predict the price of Bitcoin, the cryptocurrency by excellence, through recurrent neural networks (RNN). We use Long Short-Term Memory (LSTM) neural networks, a type of RNN that stores past information–due to its memory cellto make more accurate predictions. We employ the rolling-window method in the forecasts by using a fixed number of past observations to predict the next observation recursively, with four different window sizes; we select the best model according to the MAE (mean absolute error) and RMSE (root mean squared error). Finally, we apply the Diebold-Mariano test to verify whether the selected model outperforms all other competing models. Our results show that RNN are useful to predict the price of Bitcoin.