Forecasting Bitcoin’s Tendency with ConvLSTM Architecture

Cargando...
Miniatura

Título de la revista

ISSN de la revista

Título del volumen

Editor

ITESO

Resumen

Se presenta un modelo predictivo para la predicción en tiempo real del precio de Bitcoin, utilizando una arquitectura híbrida que combina Redes Neuronales Convolucionales (CNN) y Redes de Memoria a Corto y Largo Plazo Bidireccionales (Bi-LSTM), complementada con un mecanismo de atención de producto escalar. El modelo fue implementado usando TensorFlow y Keras, incorporando una función de pérdida personalizada y optimización de hiperparámetros mediante Keras Tuner. Utilizando un conjunto de datos de 15 características que incluyen indicadores financieros como RSI, MACD y Momentum, así como variables temporales. La investigación demuestra que el parámetro lookback es crucial para capturar la volatilidad del mercado, encontrando que períodos de 30 minutos son efectivos para mercados de alta volatilidad, mientras que 60 minutos funcionan mejor en condiciones estables, proporcionando una herramienta robusta para decisiones comerciales basadas en datos en el mercado de criptomonedas.

Descripción

Palabras clave

LSTM, CNN, Neural Network, Cryptocurrency

Citación

Contreras-González, C. (2025). Forecasting bitcoin’s tendency with ConvLSTM architecture. Trabajo de obtención de grado, Maestría en Ciencia de Datos. Tlaquepaque, Jalisco: ITESO.