Análisis de las Alternativas del Diseño de un Sistema Difuso para la Predicción del Precio del Bitcoin (BTC)

##plugins.themes.bootstrap3.article.main##

Jeison Ivan Roa https://orcid.org/0000-0001-9343-995X

Keywords

Bitcoin, pronóstico, lógica difusa, sistema difuso, ANFIS, algoritmo evolutivo, algoritmo genético simple, Mamdani, Sugeno

Resumen


Objetivo: Presentar tres alternativas para el diseño de un sistema difuso, con la intención de predecir la señal precio del Bitcoin (BTC) en dólares (USD). Metodología: Se realizó un análisis matemático y grafico de la señal del precio del Bitcoin [BTC]. Los datos de entrada se han seleccionado como precios de cierre para cada periodo, donde el periodo es constante y de 30 minutos. Con esto se busca identificar posibles características de interés, patrones periódicos o presencia de ruido. Resultados: En la primera aproximación a la solución del problema, se construyó un sistema difuso con motor de inferencia Mamdani en el que los parámetros de la máquina se ajustan manualmente, basándose en los patrones encontrados en el estudio previo de la señal y en el conocimiento de un experto en el área. La segunda solución se generó mediante el algoritmo ANFIS, que realiza el ajuste automático de los parámetros empleando algoritmos de gradiente descendiente; y la tercera solución se diseñó a través de la implementación de un algoritmo bioinspirado, conocido como algoritmo genético simple. Conclusiones: En los tres casos, son cinco las entradas del sistema, cada una de las cuales corresponde a muestras de la señal del precio; la salida, por su parte, es la predicción del precio para el periodo siguiente. 


Abstract 165 | PDF Downloads 124

Citas

1. D. T. Rice, The Past and Future of Bitcoins in Worldwide Commerce., ser. Business La Today. American Bar Association, 2013.

2. L. A. ZADEH, Fuzzy Sets. Department of Electrical Engineering and Electronics Research Laboratory,University of California, Berkeley, California, 1965.

3. R. Adhikari and R. K. Agrawal, An Introductory Study on Time Series Modeling and Forecasting. LAP Lambert Academic Publishing, Germany, 2013.

4. J.-S. Jang, ANFIS: adaptive-network-based fuzzy inference system. Dept. of Electr. Eng. Comput. Sci., California Univ., Berkeley, CA, USA, 1993.

5. J. Navarro, L. Perez., J. Molina., N. Blanco., M. Amador., E. Vasquez., C. Alvarino. Caracterización de la seguridad y salud en el trabajo en las empresas de Zona Franca y Via 40 de la ciudad de Barranquilla. En N. A. (Corporación U. L. León Castro (Ed.), Seguridad y salud en el trabajo: Análisis de las empresas de Barranquilla (Primera, pp. 51-90). Barranquilla: Corporación Universitaria Latinoamericana., 2018.