<< Volver atrás

Tesis:

Modelo de predicción para mercados de futuros de cripto-activos basado en random forests

  • Autor: ORTE BENEDIT, Francisco

  • Título: Modelo de predicción para mercados de futuros de cripto-activos basado en random forests

  • Fecha: 2023

  • Materia:

  • Escuela: E.T.S. DE INGENIEROS INDUSTRIALES

  • Departamentos: INGENIERIA DE ORGANIZACION, ADMINISTRACION DE EMPRESAS Y ESTADISTICA

  • Acceso electrónico: https://oa.upm.es/75695/

  • Director/a 1º: MIRA MCWILLIAMS, José Manuel
  • Director/a 2º: SOLANA PÉREZ, Pablo

  • Resumen: En esta tesis, se presenta un modelo para la predicción de la dirección del precio para mercados de futuros de cripto-activos. En nuestro estudio se aplica Random Forest, estudiando tres escenarios diferentes en función de las variables de entrada: indicadores técnicos, patrones de vela y ambos al mismo tiempo. Por otro lado, se estiman los parámetros de modelo, los intervalos de precios y los horizontes de inversión más adecuados. Además de estimar los parámetros del modelo, se realiza la predicción fuera de muestra de un año completo. Como intervalo para la predicción se ha elegido todo el año 2020 completo, ya que en este año se han dado los tres escenarios bursátiles posibles: mercados laterales sin grandes movimientos de precio, un gran descenso consecuencia del origen de la pandemia global sufrida y un final de año de euforia con grandes ascensos. Por último, es de notar que esta simulación fuera de muestra se tratará como una operación real, esto es, reestimando el modelo después de cada nuevo dato obtenido, de forma que el modelo tenga la máxima información en cada momento. Como conclusiones del modelo presentado, se encuentra que utilizando como variables de entrada de Random Forest los patrones de velas, se obtienen resultados más eficientes que con indicadores técnicos. ABSTRACT In this thesis, a price prediction model for futures markets of crypto assets is presented. Random Forest was applied to study three scenarios as a function of input variables: technical indicators, candlestick patterns and both simultaneously. In turn, the model parameters, the price ranges, and the most suitable investment horizons were estimated. In addition to estimating the model parameters, a one-year out-of-sample prediction was carried out. The entire year of 2020 was chosen as prediction time interval because the three possible stock market scenarios occurred in this year: a sideways market without major price movements, a bear market resulting from the global pandemic and an end-of-year bull market. Last, this out-of-sample simulation was analyzed as a real operation, that is, by reestimating the model after each new collection of data, so that the model had the maximum information at all times. In conclusion, using candlestick patterns as Random Forest features, instead of technical indicators, improves the efficiency of the results from the model presented in this study.