Dublin Core
Title
Bitcoin price prediction through stimulus analysis : on the footprints of twitter's crypto-influencers
Subject
332.4
Economía
Bitcoin - Precios - Predicciones
Redes neurales (Ciencia de la computación)
Twitter (Firma comercial : Estados Unidos)
Description
Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2021
El lanzamiento del protocolo de Bitcoin y su subyacente cripto moneda, han comenzado
a dar forma a la manera en que vemos las monedas digitales, abriendo una gran lista
de nuevos e interesantes desafíos. Entre ellos, nos centramos en el objetivo de investigar
cómo se ve afectado el precio de las monedas digitales. Lo cual por cierto, es una pregunta
natural, especialmente cuando consideramos la montaña rusa de precios que presenciamos
para Bitcoin entre 2017 y 2018. En esta investigación trabajaremos bajo la hipótesis de
que el precio se ve afectado por la huella digital de personas influyentes. Nos referiremos
a ellos como criptoinfluencers.
En esta investigación proporcionamos modelos basados en aprendizaje automático
(redes neuronales y árboles aleatorios de decisión) para predecir el precio del bitcoin.
Comparamos lo que sucede cuando estos modelos se alimentan solo con el historial de
precios reciente versus lo que sucede cuando se alimenta adicionalmente con información
textual codificada obtenida desde estos usuarios influyentes a partir de sus opiniones. De
acuerdo a nuestros resultados, mostramos que los humanos tienen un desempeño promedio
al interpretar opiniones referentes a Bitcoin de un 75%. Por esta razón y para aumentar
nuestras posibilidades, hemos explorado siete modelos entrenados para codificar este tipo
de información, incluyendo dos de los modelos más recientes en técnicas de transferencia
inductiva del aprendizajes: ULMFit y BERT.
Mostramos evidencia preliminar de que los datos de Twitter deberían ayudar a predecir
el precio de bitcoin al ser capaz de respaldar el proceso de decisión en la tarea de
predecir el precio de Bitcoin un día en el futuro. Logramos hacer que nuestros modelos
pasaran de proyectar el precio actual hacia el futuro como la única y mejor predicción, a
hacer unas más realistas, cosa que solo podemos atribuir a la introducción de un estímulo
externo al precio y al proceso de selección de variables. Para desafiar nuestros modelos,
exploramos la tarea de simulación de precios. Nuestros resultados no fueron concluyentes
en este aspecto, ya que tenemos modelos que muestran diferentes niveles de rendimiento en diferentes lapsos de tiempo hacia el futuro. Sin embargo, estos resultados en general
no muestran consciencia a cambios de precio más allá de una semana de iniciada la simulación.
Nuestro mejor modelo genera predicciones siendo respaldado por la opinión de estos
usuarios influyentes, pero es una predicción con un error aceptable hasta una ventana
futura máxima de solo un día. La evidencia reciente muestra que el comportamiento de
alta variabilidad de Bitcoin está sucediendo nuevamente. Para febrero de 2021, Bitcoin
alcanzó un nuevo máximo histórico de casi 57000 USD, lo que es evidencia de cuán volátil
es el comportamiento de este cripto-activo.
a dar forma a la manera en que vemos las monedas digitales, abriendo una gran lista
de nuevos e interesantes desafíos. Entre ellos, nos centramos en el objetivo de investigar
cómo se ve afectado el precio de las monedas digitales. Lo cual por cierto, es una pregunta
natural, especialmente cuando consideramos la montaña rusa de precios que presenciamos
para Bitcoin entre 2017 y 2018. En esta investigación trabajaremos bajo la hipótesis de
que el precio se ve afectado por la huella digital de personas influyentes. Nos referiremos
a ellos como criptoinfluencers.
En esta investigación proporcionamos modelos basados en aprendizaje automático
(redes neuronales y árboles aleatorios de decisión) para predecir el precio del bitcoin.
Comparamos lo que sucede cuando estos modelos se alimentan solo con el historial de
precios reciente versus lo que sucede cuando se alimenta adicionalmente con información
textual codificada obtenida desde estos usuarios influyentes a partir de sus opiniones. De
acuerdo a nuestros resultados, mostramos que los humanos tienen un desempeño promedio
al interpretar opiniones referentes a Bitcoin de un 75%. Por esta razón y para aumentar
nuestras posibilidades, hemos explorado siete modelos entrenados para codificar este tipo
de información, incluyendo dos de los modelos más recientes en técnicas de transferencia
inductiva del aprendizajes: ULMFit y BERT.
Mostramos evidencia preliminar de que los datos de Twitter deberían ayudar a predecir
el precio de bitcoin al ser capaz de respaldar el proceso de decisión en la tarea de
predecir el precio de Bitcoin un día en el futuro. Logramos hacer que nuestros modelos
pasaran de proyectar el precio actual hacia el futuro como la única y mejor predicción, a
hacer unas más realistas, cosa que solo podemos atribuir a la introducción de un estímulo
externo al precio y al proceso de selección de variables. Para desafiar nuestros modelos,
exploramos la tarea de simulación de precios. Nuestros resultados no fueron concluyentes
en este aspecto, ya que tenemos modelos que muestran diferentes niveles de rendimiento en diferentes lapsos de tiempo hacia el futuro. Sin embargo, estos resultados en general
no muestran consciencia a cambios de precio más allá de una semana de iniciada la simulación.
Nuestro mejor modelo genera predicciones siendo respaldado por la opinión de estos
usuarios influyentes, pero es una predicción con un error aceptable hasta una ventana
futura máxima de solo un día. La evidencia reciente muestra que el comportamiento de
alta variabilidad de Bitcoin está sucediendo nuevamente. Para febrero de 2021, Bitcoin
alcanzó un nuevo máximo histórico de casi 57000 USD, lo que es evidencia de cuán volátil
es el comportamiento de este cripto-activo.
Creator
Cheuque Cerda, Germán Alfredo
Date
2021-06-29T14:30:50Z
2021-06-29T14:30:50Z
2021
Contributor
Reutter de la Maza, Juan
Pontificia Universidad Católica de Chile. Escuela de Ingeniería
Rights
acceso abierto
Format
xv, 79 páginas
application/pdf
Language
en
Type
tesis de maestría
Identifier
10.7764/tesisUC/ING/60881
https://doi.org/10.7764/tesisUC/ING/60881
https://repositorio.uc.cl/handle/11534/60881