Modelo Predictor del Precio de Bitcoin Basado en LSTM

Descripción del Modelo

Este modelo LSTM está diseñado para predecir el precio de Bitcoin (BTC-USD) utilizando datos históricos de precios e indicadores técnicos. La arquitectura del modelo se basa en capas de memoria a largo corto plazo (Long Short-Term Memory, LSTM), que son efectivas para capturar patrones temporales en datos de series de tiempo.

Características y Componentes Principales

1. Preparación de Datos

   • Fuente de Datos: Datos históricos de BTC (cierre, volumen, máximo y mínimo) obtenidos de Yahoo Finance.
   • Indicadores Técnicos: Incluye promedios móviles (7 y 30 días), RSI y MACD para capturar información adicional sobre tendencias y momentum del precio.
   • Creación de Secuencias: Se generan secuencias de datos de 60 días, permitiendo que el modelo aprenda de los patrones recientes del precio.

2. Arquitectura del Modelo

   • Capas LSTM: Dos capas LSTM (100 unidades cada una) para capturar dependencias secuenciales.
   • Capas Dropout: Regularización con dropout al 20% para prevenir el sobreajuste.
   • Capas Densas: Dos capas densas para generar una predicción única del precio.

3. Configuración de Entrenamiento

   • Función de Pérdida: Pérdida de Huber, elegida por su robustez ante valores atípicos, adecuada para datos financieros volátiles.
   • Optimizador: Optimizador Adam con una tasa de aprendizaje de 0.001 para ajustes eficientes de los pesos.
   • Parada Temprana: Monitoreo de la pérdida de validación con una paciencia de 10 épocas para evitar el sobreajuste.

Métricas de Rendimiento

• Métrica de Evaluación: Error cuadrático medio de la raíz (Root Mean Squared Error, RMSE) en los conjuntos de entrenamiento y prueba para medir la precisión de las predicciones.
• Resultados:
  • RMSE en Entrenamiento: X.XX
  • RMSE en Prueba: X.XX

Caso de Uso Ejemplar

Este modelo puede predecir el movimiento del precio de Bitcoin, proporcionando valor para operadores diarios o inversores interesados en identificar tendencias a corto plazo. También puede servir como base para la integración en sistemas más amplios de pronóstico financiero.

Limitaciones

• Sensibilidad a los Datos: El rendimiento del modelo depende significativamente de la calidad y estabilidad de los datos de entrada.
• Riesgos de Sobreajuste: A pesar del uso de dropout y parada temprana, la naturaleza volátil de los precios puede llevar al sobreajuste.

Mejoras Futuras

• Indicadores Adicionales: Incluir indicadores técnicos más avanzados para ofrecer un mejor contexto.
• Ajuste de Hiperparámetros: Experimentar con diferentes unidades LSTM, tasas de dropout y tasas de aprendizaje para optimizar el rendimiento.