Análisis predictivo de la crypto moneda monero
| dc.contributor.advisor | Sandoval Rodriguez, Wilson | |
| dc.contributor.author | Aguilar, Juan David | |
| dc.contributor.author | Saavedra, Mario Gregorio | |
| dc.creator.email | jd.aguilar.varela@gmail.com | spa |
| dc.date.accessioned | 2022-06-11T14:59:01Z | |
| dc.date.available | 2022-06-11T14:59:01Z | |
| dc.date.created | 2021 | |
| dc.description | El mercado de las crypto monedas ha crecido en los últimos años siendo la más conocida Bitcoin, pero se han creado otras crypto monedas con las características de encriptar todo tipo de transacción como lo es Monero (XMR). Utilizando esta crypto moneda vamos a identificar primero si la serie presenta un comportamiento estocástico o determinístico utilizando el método de surrogate data testing y por último conociendo una aproximación a la estructura de la serie vamos a predecir diferentes intervalos de tiempo para corroborar si nuestro modelo identifica adecuadamente la tendencia de la serie. Al realizar el método de surrogate data testing encontramos que los resultados obtenidos no fueron concluyentes utilizando diferentes estadísticos como Nolinear Prediction y Entropy complexity sobre la serie, por tal motivo no podemos afirmar que la serie se comporta como un proceso no lineal debido a este resultado realizamos una estimación lineal estocástica de la serie divida en dos periodos pues se encontró que la estructura de la serie fue afectada por la pandemia covid-19. Utilizando el último periodo comprendido desde 2020-03-12 hasta 2020-10-18 se obtuvo un modelo auto regresivo de orden uno AR(1), el cual explicaba adecuadamente la serie y cumpliendo con los supuestos del modelo además se realizaron predicciones para diferentes días desde 20202-10-20 comparando con los datos reales del mercado, el resultado obtenido fue la correcta identificación de la tendencia de la serie, la cual se encontraba en los intervalos de confianza considerados. | spa |
| dc.description.abstract | The Crypto market has grown in the last years with different types of currencies, some of them are transaction public and other encrypted like Monero (XMR). Using this crypto currency, we want to identify if his behavior is described by a linear stochastic process or a deterministic no linear process using surrogate data testing and based on that create a model to predict the behavior of the series. The result obtained by the surrogate data testing method using Nolinear Prediction and Entropy complexity statistics were not conclusive, this shows us that an approximation of the underling process is not deterministic no-linear process based on that we model the series with a linear stochastic process and we found the necessity to split the series in two parts before COVID-19 and after because this event affected drastically the market behavior. The final model is an Auto Regressive with one lag using data from 2020-03-12 to 2020-10-18 being able to correctly identify the tendency of the Monero series in different time points. | spa |
| dc.format | spa | |
| dc.identifier.uri | http://hdl.handle.net/11371/4703 | |
| dc.language.iso | spa | spa |
| dc.publisher | Fundación Universitaria Los Libertadores. Sede Bogotá. | spa |
| dc.rights.acceso | Abierto (Texto Completo) | spa |
| dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
| dc.subject.lemb | Economía | spa |
| dc.subject.lemb | Investigaciones | spa |
| dc.subject.lemb | Política económica | spa |
| dc.subject.lemb | Estadística | spa |
| dc.subject.proposal | Series de tiempo | spa |
| dc.subject.proposal | Auto regresivo | spa |
| dc.subject.proposal | Crypto monedas | spa |
| dc.subject.subjectenglish | Time series | spa |
| dc.subject.subjectenglish | Auto regressive | spa |
| dc.subject.subjectenglish | Crypto currencies | spa |
| dc.title | Análisis predictivo de la crypto moneda monero | spa |
| dc.type | info:eu-repo/semantics/bachelorThesis | spa |