Salvato in:
| Autore principale: | |
|---|---|
| Natura: | Artículo científico |
| Lingua: | es |
| Pubblicazione: |
Universidad del Valle
2023
|
| Soggetti: | |
| Accesso online: | https://www.redalyc.org/articulo.oa?id=291377795014 https://www.redalyc.org/journal/2913/291377795014/ https://www.redalyc.org/journal/2913/291377795014/html/ https://www.redalyc.org/journal/2913/291377795014/291377795014.epub https://www.redalyc.org/journal/2913/291377795014/movil https://doi.org/10.25100/iyc.v25i3.12845 |
| Tags: |
Aggiungi Tag
Nessun Tag, puoi essere il primo ad aggiungerne!!
|
Sommario:
- Comparación de algoritmos de Deep Learning para pronósticos en los precios de Criptomonedas Erick Lambis-Alandete Miguel Jiménez-Gómez Juan D. Velásquez-Henao Ingeniería Deep Learning Criptomonedas inversionista Series de Tiempo Debido al alto atractivo de las criptomonedas los inversionistas y los investigadores han prestado mayor atención en la previsión de sus precios. Con el desarrollo metodológico del Deep Learning, la previsión de las criptomonedas ha tenido mayor importancia en los últimos años. En este artículo, se evalúan cuatro modelos de Deep Learning: RNN, LSTM, GRU y CNN-LSTM con el objetivo de evaluar el desempeño en el pronóstico del precio de cierre diario de las dos criptomonedas más importantes: Bitcoin y Ethereum. Se utilizaron métricas de análisis de desempeño como MAE, RMSE, MSE y MAPE y como métrica de ajuste, el R2. Cada modelo de Deep Learning fue optimizado a partir de un conjunto de hiperparámetros y para diferentes ventanas de tiempo. Los resultados experimentales mostraron que el algoritmo RNN tuvo un rendimiento superior en la predicción del precio de Bitcoin y el algoritmo LSTM en el precio de Ethereum. Incluso, ambos métodos presentaron mejor desempeño con dos modelos de la literatura evaluados. Finalmente, la confiabilidad del pronóstico de cada modelo se evaluó analizando la autocorrelación de los errores y se encontró que los dos modelos más eficientes tienen alto poder de generalización. 2023 artículo científico 0123-3033 https://www.redalyc.org/articulo.oa?id=291377795014 https://www.redalyc.org/journal/2913/291377795014/ https://www.redalyc.org/journal/2913/291377795014/html/ https://www.redalyc.org/journal/2913/291377795014/291377795014.epub https://www.redalyc.org/journal/2913/291377795014/movil https://doi.org/10.25100/iyc.v25i3.12845 es http://www.redalyc.org/revista.oa?id=2913 Ingeniería y Competitividad application/pdf Universidad del Valle Ingeniería y Competitividad (Colombia) Num.3 Vol.25