Predicción de la volatilidad del bitcoin con modelos clásicos y de machine learning
Loading...
Date
2025
Authors
Escobar Anduquia, Christian Daniel
Ruiz Ramos, Luis Carlos
Rivas Cortés, Vladimir Fabián
Director
Journal Title
Journal ISSN
Volume Title
Publisher
Pontificia Universidad Javeriana Cali
Share
Abstract
La volatilidad del Bitcoin ha sido objeto de análisis debido a su marcada variabilidad en los mercados financieros, dado que su estudio permite a los inversionistas optimizar estrategias y diversificar portafolios en un entorno globalizado. Comprender su comportamiento facilita decisiones informadas ante la incertidumbre y especulación, aunque su naturaleza descentralizada plantea desafíos significativos. Inversionistas y formuladores de políticas enfrentan dificultades para crear estrategias adaptativas debido a su alta volatilidad y comportamiento impredecible. Para abordar este problema, se analizó el comportamiento histórico de la volatilidad y se compararon modelos estadísticos clásicos, como ARCH y GARCH, con enfoques avanzados de machine learning, incluyendo LSTM y GRU. Además, se implementaron otros modelos como SRNN, XGBOOST y LIGHTGBM para ampliar el análisis comparativo. Se evaluó la efectividad de cada enfoque, identificando ventajas, desventajas y parámetros clave que influyen en la precisión de las predicciones. XGBOOST, LSTM y GRU destacaron por su precisión; XGBOOST mostró una limpieza superior de residuos y ausencia de heterocedasticidad significativa, mientras que LSTM y GRU capturaron mejor dinámicas no lineales. Este estudio impulsó el desarrollo de competencias en ciencia de datos y modelado financiero, resaltando la utilidad del enfoque CRISP-DM y la importancia de integrar análisis de sentimientos y variables exógenas para mejorar la generalización en mercados volátiles como el de las criptomonedas.