Look-up in Google Scholar
Full metadata record
Condori Alejo, Henry Iván (es_PE)
Chura Flores, Ernesto Zhildeer (es_PE)
2022-12-15T20:49:47Z
2022-12-15T20:49:47Z
2022-12-16
https://repositorio.unap.edu.pe/handle/20.500.14082/19268
Hoy en día el Bitcoin es la criptodivisa con mayor capitalización de mercado y una nueva opción de inversión bastante llamativa pero riesgosa debido a la incertidumbre generada por la alta volatilidad de la misma lo que dificulta predecir su comportamiento, es por ello que se implementó un modelo predictivo considerando variables de alcance y aplicando el análisis de sentimientos en Twitter para predecir el comportamiento de esta criptodivisa a corto plazo. Para lograr este objetivo, se realizó la recolección y el preprocesamiento de la data histórica del Bitcoin y de los tweets referentes al Bitcoin y se aplicó el análisis de sentimientos utilizando el clasificador VADER al cual se le agregó un diccionario de léxicos con expresiones comúnmente usadas en la comunidad Bitcoin, después se realizó una selección de las variables más representativas utilizando el índice de correlación de Spearman y posteriormente, se aplicó una red neuronal recurrente (RNN) del tipo LSTM (Long Short-Term Memory) con tres configuraciones diferentes para predecir 1 hora, 6 horas y 12 horas a futuro considerando un lookback de 3 horas utilizando la librería Keras. Para evaluar el performance del modelo se utilizaron las métricas: MAPE y RMSE para obtener valores comparables en términos porcentuales y validación interna del error del modelo respectivamente. Finalmente, se encontró que el modelo predictivo configurado para predecir 1 hr. a futuro fue el que mejores resultados obtuvo con un RMSE de 227.413 y un MAPE de 0.022 lo que demuestra que si es posible predecir el comportamiento del Bitcoin; sin embargo, la desventaja radica en la precisión ya que el resultado no es lo suficientemente bueno con respecto al RMSE por lo que no se recomienda basar decisiones de inversión únicamente en los resultados de este modelo. (es_PE)
application/pdf (es_PE)
spa (es_PE)
Universidad Nacional del Altiplano (es_PE)
info:eu-repo/semantics/openAccess (es_PE)
https://creativecommons.org/licenses/by/4.0/deed.es (es_PE)
Universidad Nacional del Altiplano (es_PE)
Repositorio Institucional - UNAP (es_PE)
Análisis de sentimientos (es_PE)
Twitter (es_PE)
Bitcoin (es_PE)
Predicción (es_PE)
Comportamiento (es_PE)
LSTM (es_PE)
Aprendizaje automático (es_PE)
Modelo predictivo aplicando análisis de sentimientos en Twitter para determinar el comportamiento de la criptodivisa Bitcoin (es_PE)
info:eu-repo/semantics/bachelorThesis (es_PE)
Universidad Nacional del Altiplano. Facultad de Ingeniería Mecánica Eléctrica, Electrónica y Sistemas (es_PE)
Ingeniería de Sistemas (es_PE)
Ingeniero de Sistemas (es_PE)
PE (es_PE)
https://purl.org/pe-repo/ocde/ford#1.02.01 (es_PE)
https://purl.org/pe-repo/renati/nivel#tituloProfesional (es_PE)
01325355
https://orcid.org/0000-0002-1219-555X (es_PE)
71508945
612076 (es_PE)
Sosa Maydana, Carlos Boris (es_PE)
Holguin Holguin, Edgar (es_PE)
Tapia Catacora, Pablo Cesar (es_PE)
https://purl.org/pe-repo/renati/type#tesis (es_PE)
Pública
info:eu-repo/semantics/acceptedVersion (es_PE)



This item is licensed under a Creative Commons License Creative Commons