Modelo de decisión lingüístico enriquecido con LSTM para la selección de criptomonedas
Loading...
Date
2021
Authors
Profesor/a Guía
Facultad/escuela
Idioma
es
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Andrés Bello
Nombre de Curso
item.page.dc.rights
item.page.dc.rights
Abstract
El análisis fundamental y el análisis técnico son técnicas ampliamente utilizadas
para seleccionar la alternativa de inversión que presenta mayor potencial de retorno en
un horizonte de tiempo dado. Lamentablemente, en mercados con un gran número de
alternativas disponibles como es el de las criptomonedas, cuyo volumen estimado supera
las 10 mil transándose activamente y con inversionistas no necesariamente expertos,
estas técnicas resultan inaplicables, si es necesario considerar todo el mercado a la
vez. Este trabajo presenta un método para apoyar a los inversionistas en la toma
de decisiones de compra de criptomonedas con una estrategia basada en comprar y
vender frecuentemente (’buy-and-sell’), que consiste en un ranking dinámico diario
utilizando un modelo de decisión lingüística que considera pronósticos en cada atributo
de entrada para seleccionar la criptomoneda con mayor potencial de retorno como
próximo objetivo de inversión. Este método es ilustrado en un caso simulado sobre
un dataset experimental con observaciones diarias para 68 criptomonedas entre el 1
de marzo de 2018 al 31 de mayo de 2018. Los resultados muestran que el modelo
LDM que utiliza las combinaciones de atributos Day profitability, Day variability y
como tercer atributo ya sea Open, Close, Low o High, superan al final del período de
inversión el retorno de lo publicado en el estado del arte en más de 300% y, si sólo
se consideran los atributos Day profitability y Day variability lo supera en más de
1700%. Claramente, este método supera estrategias alternativas como 1) la basada en
selección aleatoria de alternativa de inversión o 2) comprar y mantener Bitcoin o 3)
invertir equitativamente y mantener inversión en todas la criptomonedas del mercado,
las cuales generan retornos del 3%, -34% y 54% respectivamente.
item.page.dc.description
Tesis (Magíster en Ciencias de la Computación)
Keywords
Criptomonedas, Análisis de Inversiones, Modelos Matemáticos, Modelo Predictivo