Modelos ARIMA para el análisis sistematizado de criptomonedas

Guillermo Vital-Godinez; Jorge  Quiterio-Romero; Pedro Amado Miranda-Romagnoli; Carlos Arturo Soto-Campos

doi:10.29057/icbi.v11i21.10158

Autores/as

Guillermo Vital-Godinez Universidad Autónoma del Estado de Hidalgo
Jorge Quiterio-Romero Universidad Autónoma del Estado de Hidalgo
Pedro Amado Miranda-Romagnoli Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0002-8390-9011
Carlos Arturo Soto-Campos Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0001-7874-0306

DOI:

https://doi.org/10.29057/icbi.v11i21.10158

Palabras clave:

ARIMA, Bitcoin, Series de Tiempo, Pronóstico

Resumen

Se realiza un análisis ARIMA de las series de tiempo correspondientes al rendimiento de Bitcoin. Para ello se utiliza el software R. Se hace un estudio comparativo de diferentes modelos ARIMA para modelar el comportamiento del rendimiento de Bitcoin en el periodo comprendido del día 1 de enero de 2020 hasta el 31 de diciembre de 2020. Finalmente, se efectúa un análisis de bondad de ajuste para comprobar cuál de los modelos reproduce mejor los datos reportados.

Descargas

Los datos de descargas todavía no están disponibles.

Información de Publicación

Este artículo

Otros artículos

Revisores por pares

Revisores: 1

2.4 promedio

Perfiles de revisores N/D

Declaraciones del autor

Disponibilidad de datos

N/A

16%

Financiamiento externo

No

32% con financiadores

Intereses conflictivos

N/D

11%

Para esta revista

Otras revistas

Artículos aceptados

86%

33%

Días hasta la publicación

246

145

Indexado en

GS

Editor y comité editorial: perfiles
Sociedad académica: N/D
Editora:: Universidad Autónoma del Estado de Hidalgo

Citas

Alahmari, S. A. (2019). Using machine learning arima to predict the price of cryptocurrencies. ISC Int. J. Inf. Secur., pp. 139–144.

Bakar, N. A. y Rosbi, s. (2017). Autoregressive integrated moving average (arima) model for forecasting cryptocurrency exchange rate in high volatility environment: A new insight of bitcointransaction. International Journal of Advanced Engineering Research and Science, pp. 130–137.

Bitstamp (2020). Cryptodatadownload. Consultado el 15 de diciembre de 2022, en https://www.cryptodatadownload.com/data/bitstamp/.

INEGI (2022). Empleo y ocupación: Población económicamente activa. Consultado el 10 de diciembre de 2022, en

https://www.inegi.org.mx/temas/empleo/.

Levendis, J. (2019). Time Series Econometrics. Springer, New York.

Roy, S., Nanjiba, S., y Chakrabarty, A. (2018). Bitcoin price forecasting using time series analysis. 2018 21st International Conference of Computer and Information Technology (ICCIT), pp. 1–5.