El presente Trabajo de Fin de Máster tiene como objetivo el desarrollo e implementación
de modelos predictivos para estimar el comportamiento del precio de Bitcoin en el mercado
de criptomonedas. Para ello, se emplean técnicas de análisis de datos, procesamiento de
información financiera y algoritmos de aprendizaje automático.
El proyecto se basa en el uso de dos fuentes de datos principales. En primer lugar, el conjunto de datos CryptoLM-Bitcoin-BTC-USDT, disponible en la plataforma Hugging Face, que
proporciona información histórica detallada sobre los precios de Bitcoin frente al USDT. Este
dataset incluye múltiples indicadores técnicos, tales como medias móviles (MA), índice de
fuerza relativa (RSI), bandas de Bollinger, MACD, entre otros, con una frecuencia de actualización de 3 minutos (y un retraso de 1 minuto), lo que permite trabajar con información
casi en tiempo real. En segundo lugar, se integran variables macroeconómicas procedentes
del World Economic Outlook (WEO) del Fondo Monetario Internacional (FMI), con el objetivo de enriquecer el análisis y evaluar el impacto de factores económicos globales sobre el
comportamiento del mercado de criptomonedas.
A partir de esta información, se entrenan y comparan distintos modelos de aprendizaje automático, evaluando su rendimiento mediante métricas como el error cuadrático medio (RMSE),
el error absoluto medio (MAE) y el coeficiente de determinación (R²). Los resultados obtenidos permiten analizar la capacidad predictiva de los modelos desarrollados y su posible
aplicabilidad en la toma de decisiones de inversión, contribuyendo a la gestión del riesgo y la
optimización de estrategias en un entorno altamente volátil.
Excepto si se señala otra cosa, la licencia del ítem se describe como Attribution-NonCommercial-NoDerivatives 4.0 Internacional