Modelado de series temporales en criptomonedas con ARIMA: Un análisis empírico aplicado a Bitcoin y Ethereum
Open Access
- 1 July 2025
- journal article
- Published by Iyayku Innovación Tecnológica Iyaykutec Cía Ltda. in Revista Ingenio global
- Vol. 4 (2) , 219-236
Abstract
El estudio analizó el comportamiento de las criptomonedas Bitcoin y Ethereum durante el año 2024 mediante la construcción de un modelo estadístico ARIMA (AutoRegressive Integrated Moving Average). La investigación utilizó un enfoque cuantitativo que se dividió en cuatro etapas: recopilación y limpieza de datos históricos, verificación de la estabilidad de los datos, identificación y estimación de los mejores parámetros usando criterios de información, y validación mediante medidas de precisión y análisis de residuos. Los resultados demostraron que el modelo ARIMA fue útil en el pronóstico de valores en mercados estables, destacando su trayectoria en el análisis de datos financieros. Además, los valores bajos de RMSE y MAPE validaron que el modelo tiene la capacidad de realizar pronósticos precisos en escenarios con alta frecuencia. En particular, el MAPE de Bitcoin fue 2,25 % y el de Ethereum 2,85 % durante la etapa de prueba, demostrando que los valores pronosticados tuvieron una ligera desviación con respecto a los reales. No obstante, el modelo puede verse afectado en periodos de alta volatilidad, como en las burbujas especulativas o en los desplomes bursátiles, ya que no tiene la capacidad de adaptarse dinámicamente a cambios súbitos en los parámetros; sin embargo, su utilidad puede mejorar al combinar modelos híbridos con ARIMA.Keywords
This publication has 22 references indexed in Scilit:
- Cryptocurrency price forecasting – A comparative analysis of ensemble learning and deep learning methodsInternational Review of Financial Analysis, 2023
- Ethereum synchronicity, upside volatility and Bitcoin crash riskFinance Research Letters, 2022
- Selecting optimal lag order in Ljung–Box testPhysica A: Statistical Mechanics and its Applications, 2020
- RETRACTED: Cryptocurrencies as a financial asset: A systematic analysisInternational Review of Financial Analysis, 2019
- Predicting the direction, maximum, minimum and closing prices of daily Bitcoin exchange rate using machine learning techniquesApplied Soft Computing, 2019
- Cryptocurrency forecasting with deep learning chaotic neural networksChaos, Solitons & Fractals, 2019
- Semi-strong efficiency of BitcoinFinance Research Letters, 2018
- Does Bitcoin hedge global uncertainty? Evidence from wavelet-based quantile-in-quantile regressionsFinance Research Letters, 2017
- Volatility estimation for Bitcoin: A comparison of GARCH modelsEconomics Letters, 2017
- Forecasting with dynamic regression modelsInternational Journal of Forecasting, 1992