Diseño de una red neuronal artificial LSTM multipasos para la predicción del valor de activos en el mercado de criptomonedas.

A nivel global, se observa un entorno económico desafiante para las empresas y entidades productivas, marcado por la incertidumbre en los mercados nacionales e internacionales. Factores como la inflación y variables socioeconómicas afectan la gestión de proyectos e inversiones.  En este contexto, se valoran más las situaciones en las que las entidades poseen más dinero del necesario para sus transacciones diarias y buscan invertir este capital de manera efectiva, lo que se considera según He y Ciccone (2020) como exceso de liquidez, lo   cual   puede   ser   ventajoso si se utiliza adecuadamente.  Este fenómeno toma relevancia en un entorno de bajas tasas de interés y alta volatilidad económica, donde los inversores deben decidir entre mantener su dinero estático, incurriendo en costos de oportunidad significativos, o invertir en mercados no confiables debido a la inflación (Bhosale, 2018).

Específicamente se abordó la investigación desde varias aristas, como por ejemplo el uso de varias herramientas de machine learning para poder comparar los desempeños de estas, tomando en cuenta siempre un enfoque en el modelo de red LSTM, la cual es una herramienta que siempre brindo mejores desempeños, en particular el modelo LSTM alcanzó un R2 del 99.41% durante el primer día de predicción y mantuvo un desempeño superior al 97% hasta   el 7mo día, reflejando consistencia   incluso en predicciones más allá de una semana.  Durante el entrenamiento, obtuvo un RMSE de $1187.14 y un MAPE de 2.20%, manteniendo esta última métrica por debajo del 10% en validación.  En predicciones a 7 días, logró un RMSE de $5038.46 y un MAPE de 6.83%. Comparativamente, modelos como Máquinas de Soporte Vectorial (SVM) tuvieron un RMSE de $7718.16 y un MAPE de 11.32%, Impulso de Gradiente Extremo (XGBoost) y Bosques Aleatorios mostraron resultados menos favorables, con errores significativos; por ejemplo, Bosques aleatorios tuvo un RMSE de $ 19,492.41 y un MAPE de 30.35%, por otra parte, XGBoost alcanzó un RMSE de $17,849.66 y un MAPE de 27.74%.  Estos hallazgos destacan la eficacia del LSTM como una herramienta clave para enfrentar los desafíos de predicción en mercados financieros altamente volátiles como el de las criptomonedas.