Pronóstico del rango del precio del ether empleando análisis de sentimiento como variable exógena

Abstract

En el año 2009, surgió la primera criptomoneda conocida como Bitcoin. Sin embargo, no fue sino hasta el año 2020, con el inicio de la pandemia global, que este tipo de activos digitales despertó interés en un segmento de la población. Esto se debió a que las restricciones impuestas para prevenir la propagación del COVID-19 hicieron que los inmigrantes buscaran alternativas a los métodos tradicionales para enviar remesas, ya que estos se volvieron inaccesibles. Como resultado, las criptomonedas se convirtieron en una opción viable para la transferencia de valor. Además, provocó una disminución de los empleos físicos, dejando a muchas personas desempleadas y con tiempo libre. Esto incentivó la exploración de nuevas formas de generar ingresos. Como consecuencia, inversores retail comenzaron a considerar las criptomonedas como una vía para preservar su capital en un entorno marcado por la inflación o la falta de confianza en las políticas gubernamentales. Otro grupo de individuos percibe estos activos digitales como una oportunidad para aumentar su patrimonio, dado que, a diferencia de las acciones, las criptomonedas carecen de un valor intrínseco y se basan principalmente en especulaciones de mercado. El presente estudio se enfoca en determinar el rango del precio del Ether con el fin de poder proporcionar un modelo cuantitativo que complemente el análisis técnico. Se emplearán métodos tradicionales de pronóstico de series de tiempo, así como modelos de ML que incluirán la variable exógena sentimiento del mercado. La obtención de esta variable se llevará a cabo a través de la extracción de los titulares de noticias de la plataforma financiera Investing mediante web scraping. La intención es evaluar si el sentimiento transmitido por estos titulares de noticias tiene un impacto significativo en el valor de la criptomoneda. Finalmente, se presentará un nuevo enfoque conocido como predicción conformal que permite cuantificar la incertidumbre y proporcionar un intervalo de confianza a los pronósticos realizados por el modelo de ML. Se concluye que la predicción conformal robustece el modelo de ML seleccionado.