Aplicación de técnicas de predicción automática para operar en el mercado de criptomonedas

• Autores: Marchi, Agustín Andrés
• Año de publicación: 2021
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Biedma, Luis Ariel; Cardellino, Cristian Adrián
• Materia: Criptomonedas; Bot; Bitcoin; Trading automatizado; Computing methodologies; Machine learning approaches; Machine learning; Classification and regression trees
• Institución: Universidad Nacional de Córdoba

Tesis (Lic. en Cs. de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2021.
Fil: Marchi, Agustín Andrés. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
En este trabajo el objetivo final es la creación de un agente para operar automáticamente en el mercado de criptomonedas. Para ello se explorarán diferentes técnicas de predicción en 4 etapas de experimentos: en una primer etapa se explorarán algoritmos más clásicos para operación automática, como por ejemplo la utilización de medias móviles u otros indicadores técnicos como bandas de Bollinger, definición de soportes y resistencias, etc., en una segunda etapa se harán experimentos en el área de análisis de series temporales; finalmente, en una tercera etapa, se trabajará sobre técnicas de aprendizaje automático más avanzado, como redes neuronales recurrentes. En una cuarta etapa, se trabajará en implementar una aplicación, a modo de interfaz API, que aplique de manera automática los mejores modelos sobre un conjunto de criptomonedas para buscar predecir mejores opciones de inversión.
The final goal for this final project is the creation of an agent to automatically operate in the cryptocurrency market. There are different prediction techniques that will be explored in 4 stages of experiments: in the first stage, more classical algorithms for automatic operation will be explored, such as the use of moving average or other technical indicators such as Bollinger Bands, the definition of supports, and resistances, etc. In the second stage, experiments are carried out in the area of time series analysis; finally, in the third stage, we will work on more advanced machine learning techniques, such as recurrent neural networks or decision trees. In a fourth stage, work will be done on implementing an application, as an API interface, that automatically applies the best models on a set of cryptocurrencies in order to predict better investment options.
Fil: Marchi, Agustín Andrés. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.