Bases de datos de series temporales y métodos estadísticos para la predicción de rendimientos de ETH

Las bases de datos forman parte de nuestra vida diaria, aunque muchos de nosotros probablemente no seamos conscientes de este hecho. Esto es fácil de entender si tenemos en cuenta que la mayoría de las transacciones electrónicas nos ponen en contacto con una de ellas y que este tipo de transacciones...

Descripción completa

Detalles Bibliográficos
Autor principal: Hernández, Alejo
Otros Autores: Fernández Bariviera, Aurelio
Formato: Tesis Trabajo de especializacion
Lenguaje:Español
Publicado: 2023
Materias:
Ciencias Informáticas
Inteligencia de Datos
Bases de datos
rendimientos de ETH
Series temporales
métodos estadísticos
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/161491
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-161491
record_format dspace
spelling I19-R120-10915-1614912023-12-15T04:07:28Z http://sedici.unlp.edu.ar/handle/10915/161491 Bases de datos de series temporales y métodos estadísticos para la predicción de rendimientos de ETH Hernández, Alejo 2023-02-16 2023 2023-12-14T14:18:22Z Fernández Bariviera, Aurelio Di Pasquale, Ricardo es Ciencias Informáticas Inteligencia de Datos Bases de datos rendimientos de ETH Series temporales métodos estadísticos Las bases de datos forman parte de nuestra vida diaria, aunque muchos de nosotros probablemente no seamos conscientes de este hecho. Esto es fácil de entender si tenemos en cuenta que la mayoría de las transacciones electrónicas nos ponen en contacto con una de ellas y que este tipo de transacciones se han vuelto ubicuas, dado el nivel de penetración que poseen los teléfonos celulares y el crecimiento exponencial que han experimentado los dispositivos conectados a internet (IoT, IoE). Este uso intensivo de las bases de datos, combinado con la vastedad de escenarios en los cuales se ven involucradas, ha propiciado un proceso evolutivo que comenzó en la década del ’60 y continua hasta nuestros días. En este camino, varios tipos de bases de datos fueron creadas: relacionales, no-SQL, de almacenamiento en memoria, de grafos, geoespaciales y por último, las especıficas para series temporales (BDSTs). Por otra parte, durante los últimos diez años la adopción de las criptomonedas como instrumento de inversión y/o de especulación fomentó el desarrollo de un mercado de negociación deslocalizado, de muy alta frecuencia y sin interrupciones significativas que, al día de hoy, se presenta como una alternativa viable para el manejo de divisas y el pago de bienes y servicios. Si bien en términos académicos, la mayoría de los trabajos publicados utilizan datos con frecuencias diarias, esta tendencia está cambiando, puesto que los investigadores han visto la importancia de extraer información de datos en más alta frecuencia para capturar el comportamiento de este mercado altamente dinámico. Estas características particulares que presenta el mercado de criptomonedas se traducen en un flujo de datos continuo y de alta frecuencia, modulado mayoritariamente por operaciones de trading automatizadas. Esto evidencia la necesidad de contar, por un lado, con un sistema de almacenamiento y procesamiento de datos acorde con el volumen y velocidad de generación involucrados y por otro, con una serie de algoritmos robustos que permitan predecir los retornos de los activos de forma precisa y confiable. A fin de explorar más en profundidad estos aspectos, este trabajo se propone implementar un pipeline de datos soportado por una BDST a fin de realizar predicciones de rendimento de activos usando métodos estadísticos. Más concretamente, se implementa la BDST InfluxDB para predecir los retornos de Ethereum (ETH), la segunda criptomoneda en términos de capitalización de mercado. Desde el punto de vista del manejo de datos, se decidió trabajar con la BDST InfluxDB puesto que la misma cuenta con una suite de herramientas muy completa para gestionar los procesos de captura, almacenamiento, consulta y visualización de la información. Por otra parte, en lo relativo al modelado estadístico de los datos, se utilizó el paquete Statsmodels de Python que permite realizar la predicción de los retornos aplicando un modelo ARMA con intervalos de confianza corregidos mediante un modelo GARCH. Especialista en Inteligencia de Datos orientada a Big Data Universidad Nacional de La Plata Facultad de Informática Tesis Trabajo de especializacion http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
Inteligencia de Datos
Bases de datos
rendimientos de ETH
Series temporales
métodos estadísticos
spellingShingle Ciencias Informáticas
Inteligencia de Datos
Bases de datos
rendimientos de ETH
Series temporales
métodos estadísticos
Hernández, Alejo
Bases de datos de series temporales y métodos estadísticos para la predicción de rendimientos de ETH
topic_facet Ciencias Informáticas
Inteligencia de Datos
Bases de datos
rendimientos de ETH
Series temporales
métodos estadísticos
description Las bases de datos forman parte de nuestra vida diaria, aunque muchos de nosotros probablemente no seamos conscientes de este hecho. Esto es fácil de entender si tenemos en cuenta que la mayoría de las transacciones electrónicas nos ponen en contacto con una de ellas y que este tipo de transacciones se han vuelto ubicuas, dado el nivel de penetración que poseen los teléfonos celulares y el crecimiento exponencial que han experimentado los dispositivos conectados a internet (IoT, IoE). Este uso intensivo de las bases de datos, combinado con la vastedad de escenarios en los cuales se ven involucradas, ha propiciado un proceso evolutivo que comenzó en la década del ’60 y continua hasta nuestros días. En este camino, varios tipos de bases de datos fueron creadas: relacionales, no-SQL, de almacenamiento en memoria, de grafos, geoespaciales y por último, las especıficas para series temporales (BDSTs). Por otra parte, durante los últimos diez años la adopción de las criptomonedas como instrumento de inversión y/o de especulación fomentó el desarrollo de un mercado de negociación deslocalizado, de muy alta frecuencia y sin interrupciones significativas que, al día de hoy, se presenta como una alternativa viable para el manejo de divisas y el pago de bienes y servicios. Si bien en términos académicos, la mayoría de los trabajos publicados utilizan datos con frecuencias diarias, esta tendencia está cambiando, puesto que los investigadores han visto la importancia de extraer información de datos en más alta frecuencia para capturar el comportamiento de este mercado altamente dinámico. Estas características particulares que presenta el mercado de criptomonedas se traducen en un flujo de datos continuo y de alta frecuencia, modulado mayoritariamente por operaciones de trading automatizadas. Esto evidencia la necesidad de contar, por un lado, con un sistema de almacenamiento y procesamiento de datos acorde con el volumen y velocidad de generación involucrados y por otro, con una serie de algoritmos robustos que permitan predecir los retornos de los activos de forma precisa y confiable. A fin de explorar más en profundidad estos aspectos, este trabajo se propone implementar un pipeline de datos soportado por una BDST a fin de realizar predicciones de rendimento de activos usando métodos estadísticos. Más concretamente, se implementa la BDST InfluxDB para predecir los retornos de Ethereum (ETH), la segunda criptomoneda en términos de capitalización de mercado. Desde el punto de vista del manejo de datos, se decidió trabajar con la BDST InfluxDB puesto que la misma cuenta con una suite de herramientas muy completa para gestionar los procesos de captura, almacenamiento, consulta y visualización de la información. Por otra parte, en lo relativo al modelado estadístico de los datos, se utilizó el paquete Statsmodels de Python que permite realizar la predicción de los retornos aplicando un modelo ARMA con intervalos de confianza corregidos mediante un modelo GARCH.
author2 Fernández Bariviera, Aurelio
author_facet Fernández Bariviera, Aurelio
Hernández, Alejo
format Tesis
Trabajo de especializacion
author Hernández, Alejo
author_sort Hernández, Alejo
title Bases de datos de series temporales y métodos estadísticos para la predicción de rendimientos de ETH
title_short Bases de datos de series temporales y métodos estadísticos para la predicción de rendimientos de ETH
title_full Bases de datos de series temporales y métodos estadísticos para la predicción de rendimientos de ETH
title_fullStr Bases de datos de series temporales y métodos estadísticos para la predicción de rendimientos de ETH
title_full_unstemmed Bases de datos de series temporales y métodos estadísticos para la predicción de rendimientos de ETH
title_sort bases de datos de series temporales y métodos estadísticos para la predicción de rendimientos de eth
publishDate 2023
url http://sedici.unlp.edu.ar/handle/10915/161491
work_keys_str_mv AT hernandezalejo basesdedatosdeseriestemporalesymetodosestadisticosparalaprediccionderendimientosdeeth
_version_ 1807222156756516864

Ejemplares similares