Efecto de indicadores económicos adelantados sobre la predicción de precios de criptomonedas

Abstract

Este estudio analiza el desempeño de modelos complejos al incluir variables externas. Se compara el rendimiento de redes neuronales LSTM (Long-Short Term Memory), con y sin incluir las variables macroeconómicas del petróleo, el índice del dólar, el índice del euro y el cambio dólar/yuan junto con datos históricos de criptomonedas, para intentar mejorar las predicciones. Se proponen cuatro modelos para ambos casos, univariante y multivariante, comparando el mejor de cada caso, centrando los resultados en las variables en lugar de los modelos. Los mejores resultados LSTM se compararon entonces con el modelo ARIMA (Auto regresivo, Diferenciado y de Media Móvil). Usando los índices MASE (Media Absoluta Escalada del Error), MAPE (Media Absoluta Porcentual del Error) y el estadístico Diebold-Mariano. Se concluyó que había diferencias significativas para todas las series exceptuando al BitcoinCash. Siendo más precisos los modelos de redes neuronales univariantes. Asimismo, todos los modelos LSTM presentaron diferencias significativas con los modelos ARIMA. Siendo el LSTM el mejor de los casos, exceptuando al BitcoinCash. Se concluyó que las variables económicas consideradas no eran significativas para predecir los precios de las criptomonedas consideradas y que el ajuste de las redes LSTM debe hacerse de acuerdo con la complejidad del problema.

This study analyzes the performance of complex models when including external variables. It compares the performance of LSTM (Long-Short Term Memory) neural networks, with and without the macroeconomic variables of oil, dollar index, euro index and dollar/yuan exchange rate along with historical cryptocurrency data, in an attempt to improve predictions. Four models are proposed for both univariate and multivariate cases, comparing the best of each case, focusing the results on the variables rather than the models. The best LSTM results were then compared with the ARIMA (Auto Regressive, Differenced and Moving Average) model. Using the MASE (Mean Absolute Scaled Error), MAPE (Mean Absolute Percentage Error) indices and the Diebold-Mariano statistic. It was concluded that there were significant differences for all series except BitcoinCash. The univariate neural network models were more accurate. Likewise, all the LSTM models presented significant differences with the ARIMA models. The LSTM being the best of the cases, with the exception of BitcoinCash. It was concluded that the economic variables considered were not significant for predicting the prices of the cryptocurrencies considered and that the adjustment of the LSTM networks should be made according to the complexity of the problem.