Estimación de Precios de Bitcoin mediante Regresión Lineal Múltiple y Redes Neuronales

• Díaz López , Manuel Humberto ^[1] ; King-Domínguez , Andrea ^[1] ; Améstica-Rivas, Luis ^[1]
  1. [1] Universidad del Bío - Bío
• Localización: PODIUM, ISSN 1390-5473, ISSN-e 2588-0969, Nº. 44, 2023, págs. 119-132
• Idioma: español
• Títulos paralelos:
  • Bitcoin Price Estimation using Multiple Linear Regression and Neural Networks
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Diversos estudios se han enfocado en estimar el precio de las criptomonedas utilizando modelos de series de tiempo y variables estáticas. Este estudio se centra en la predicción del precio de Bitcoin, utilizando un modelo que combina la regresión lineal múltiple y las redes neuronales. Este enfoque permite identificar los factores que influyen en la volatilidad de Bitcoin y, mediante una selección dinámica de variables, detectar constantemente el conjunto de características más relevante para la predicción. Asimismo, se optimiza la cantidad de datos para mejorar la precisión y evitar la sobreutilización de información histórica. La combinación de estas técnicas permitió capturar patrones y tendencias subyacentes, aumentando la confiabilidad de las predicciones, con una precisión del 88%. Sin embargo, es crucial considerar la necesidad de evaluaciones continuas para adaptarse a las cambiantes condiciones del mercado. Este enfoque brinda una herramienta más precisa para tomar decisiones informadas en un mercado altamente volátil. 

  • English

    Various studies have focused on estimating the price of cryptocurrencies using time series models and static variables. This study focuses on Bitcoin price prediction, using a model that combines multiple linear regression and neural networks. This approach makes it possible to identify the factors that influence Bitcoin volatility and, through a dynamic selection of variables, to constantly detect the most relevant set of characteristics for prediction. Likewise, the amount of data is optimized to improve precision and avoid overuse of historical information. The combination of these techniques captures underlying patterns and trends, increasing the reliability of predictions, with an accuracy of 88%. However, it is crucial to consider the need for continuous evaluations to adapt to changing market conditions. This approach provides a more accurate tool for making informed decisions in a highly volatile market.