Eficiencia del mercado de criptomonedas y planteamiento de estrategias de trading basadas en arbitraje y machine learning
Las criptomonedas conforman un mercado emergente de activos financieros al que cada vez se suman más inversionistas. Grandes compañías han incluido las criptomonedas dentro de su actividad e incluso, El Salvador adoptó el bitcoin como una moneda legal. Aun así, las criptomonedas siguen siendo un mer...
| Autores: | , |
|---|---|
| Formato: | tesis de maestría |
| Estado: | Versión aceptada para publicación |
| Fecha de publicación: | 2021 |
| País: | Colombia |
| Recursos: | Universidad de los Andes |
| Repositorio: | Séneca: repositorio Uniandes |
| Idioma: | español |
| OAI Identifier: | oai:repositorio.uniandes.edu.co:1992/57722 |
| Acesso em linha: | http://hdl.handle.net/1992/57722 |
| Access Level: | acceso abierto |
| Palavra-chave: | Trading Arbitrage Cointegration Finance Machine learning Deep reinforcement learning Market efficiency Efficiency hypothesis Aprendizaje automático (Inteligencia artificial) Criptomoneda Arbitramento (Economía) Ingeniería |
| id |
CO_70a135656bfee3feecdd8fbf43f7b6f6 |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/57722 |
| network_acronym_str |
CO |
| network_name_str |
Colombia |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Eficiencia del mercado de criptomonedas y planteamiento de estrategias de trading basadas en arbitraje y machine learning |
| title |
Eficiencia del mercado de criptomonedas y planteamiento de estrategias de trading basadas en arbitraje y machine learning |
| spellingShingle |
Eficiencia del mercado de criptomonedas y planteamiento de estrategias de trading basadas en arbitraje y machine learning Cortés Durán, Juan Pablo Trading Arbitrage Cointegration Finance Machine learning Deep reinforcement learning Market efficiency Efficiency hypothesis Aprendizaje automático (Inteligencia artificial) Criptomoneda Arbitramento (Economía) Ingeniería |
| title_short |
Eficiencia del mercado de criptomonedas y planteamiento de estrategias de trading basadas en arbitraje y machine learning |
| title_full |
Eficiencia del mercado de criptomonedas y planteamiento de estrategias de trading basadas en arbitraje y machine learning |
| title_fullStr |
Eficiencia del mercado de criptomonedas y planteamiento de estrategias de trading basadas en arbitraje y machine learning |
| title_full_unstemmed |
Eficiencia del mercado de criptomonedas y planteamiento de estrategias de trading basadas en arbitraje y machine learning |
| title_sort |
Eficiencia del mercado de criptomonedas y planteamiento de estrategias de trading basadas en arbitraje y machine learning |
| dc.creator.none.fl_str_mv |
Cortés Durán, Juan Pablo Hernández Vega, Javier Camilo |
| author |
Cortés Durán, Juan Pablo |
| author_facet |
Cortés Durán, Juan Pablo Hernández Vega, Javier Camilo |
| author_role |
author |
| author2 |
Hernández Vega, Javier Camilo |
| author2_role |
author |
| dc.contributor.none.fl_str_mv |
Villarreal Navarro, Julio Valencia Arboleda, Carlos Felipe Hernández Losada, Diego Fernando |
| dc.subject.none.fl_str_mv |
Trading Arbitrage Cointegration Finance Machine learning Deep reinforcement learning Market efficiency Efficiency hypothesis Aprendizaje automático (Inteligencia artificial) Criptomoneda Arbitramento (Economía) Ingeniería |
| topic |
Trading Arbitrage Cointegration Finance Machine learning Deep reinforcement learning Market efficiency Efficiency hypothesis Aprendizaje automático (Inteligencia artificial) Criptomoneda Arbitramento (Economía) Ingeniería |
| description |
Las criptomonedas conforman un mercado emergente de activos financieros al que cada vez se suman más inversionistas. Grandes compañías han incluido las criptomonedas dentro de su actividad e incluso, El Salvador adoptó el bitcoin como una moneda legal. Aun así, las criptomonedas siguen siendo un mercado altamente especulativo en el que sus participantes buscan obtener una ganancia en lugar de utilizarlas como moneda de cambio. Teniendo en cuenta que este es un mercado financiero, es de interés evaluar su eficiencia, dónde se esperaría que cumpliese por lo menos con la forma semi-fuerte. Se obtuvieron los precios históricos de las 10 criptomonedas con mayor capitalización bursátil que han sido negociadas por lo menos durante 5 años. Para hacer un análisis más profundo, se consideraron precios en 7 frecuencias diferentes: 1, 5, 15 y 30 minutos, 1 y 4 horas, y 1 día. A partir de los histogramas y diagramas de dispersión de los retornos logarítmicos de cada criptomoneda se observaron comportamientos anormales, como medidas de tendencia central diferentes de cero y dependencias seriales. Se puso a prueba la hipótesis de eficiencia del mercado de las criptomonedas a través de una batería de pruebas estadísticas. Primero, a través de una prueba de bondad de ajuste Chi-cuadrado se concluyó que los retornos logarítmicos de la mayoría de las criptomonedas no siguen una distribución Normal. Después, se evaluó la autocorrelación de los retornos con las pruebas de LJung-Box y Automatic Variance Ratio dónde se detectaron problemas en las frecuencias más bajas en la mayoría de los activos. Luego, se evaluó la independencia de los cambios de los precios con las pruebas de Runs y Bartels las cuales rechazan la hipótesis de independencia en las frecuencias más altas y en las frecuencias más bajas en todas las criptomonedas. También, se realizó la prueba BDS con la que solamente dos criptomonedas en dos frecuencias no rechazaron la hipótesis de aleatoriedad de los retornos. Finalmente, se calculó el exponente de R/S Hurst con la que se midió la persistencia o la anti-persistencia de la tendencia de los precios y se encontró que muy pocas monedas en algunas frecuencias presentan alguna de las dos condiciones evaluadas. Teniendo en cuenta los resultados de las pruebas, se concluyó que existe suficiente evidencia estadística que demuestra debilidad en la forma semi-fuerte de la eficiencia del mercado de criptomonedas, pues es posible utilizar información histórica para predecir características del comportamiento futuro de los precios. A partir de las conclusiones sobre la hipótesis de eficiencia del mercado de criptomonedas, se diseñó una estrategia de arbitraje basada en la cointegración de las series de precios entre parejas de monedas. Con el método de dos pasos de Engle-Granger se detectaron parejas de criptomonedas cuyas diferencias entre sus precios pueden ser explicadas por un modelo lineal de mínimos cuadrados. Suponiendo que la diferencia entre los precios de una pareja de monedas se conserva a través del tiempo, se definió que cada vez que las series se separan o se acercan significativamente, éstas regresarán a su diferencia original. A pesar de que se obtuvieron rendimientos positivos con la mayoría de los pares de criptomonedas en las que se detectó cointegración, algunas otras perdían esta propiedad con el paso del tiempo, haciendo que la diferencia entre sus precios nunca regresara a su valor esperado. Finalmente, se propuso una metodología de Deep Reinforcement Learning (DRL) para hacer trading en el mercado de criptomonedas. El agente utiliza únicamente los retornos históricos en diferentes frecuencias para decidir en qué activo invertir en cada momento del tiempo. El sistema de decisión del agente es una red neuronal artificial cuya arquitectura está basada en los mecanismos de atención del Transformer, los cuales han demostrado un gran desempeño en problemas de datos secuenciales. El agente interactuó con el entorno durante 400 episodios, cada uno con una duración de 30 días, dónde cada hora podía modificar su posición en los activos. El agente de DRL fue capaz de aprender a hacer trading de manera efectiva, obteniendo un retorno del 106.58% anual en un periodo posterior al utilizado durante el entrenamiento, teniendo en cuenta costos de transacción. Más aún, el agente superó el mercado en cuanto a retorno esperado ajustado por riesgo, con un Sharpe Ratio de 1.8590 vs un 1.6218 del índice S&P500 en la misma ventana de tiempo. A pesar de que lo anterior puede demostrar que no se cumple la forma semi-fuerte de la eficiencia en el mercado de criptomonedas, también se discutió de forma crítica las implicaciones y limitaciones de las estrategias que se plantearon. |
| publishDate |
2021 |
| dc.date.none.fl_str_mv |
2021-05 |
| dc.type.none.fl_str_mv |
Trabajo de grado - Maestría info:eu-repo/semantics/masterThesis info:eu-repo/semantics/acceptedVersion http://purl.org/coar/resource_type/c_bdcc http://purl.org/coar/version/c_ab4af688f83e57aa Text https://purl.org/redcol/resource_type/TM |
| format |
masterThesis |
| status_str |
acceptedVersion |
| dc.identifier.none.fl_str_mv |
http://hdl.handle.net/1992/57722 instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| url |
http://hdl.handle.net/1992/57722 |
| identifier_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.none.fl_str_mv |
Alford, A. & Guffey, D. (1996). A Re-examination of International Seasonalities. Review of Financial Economics. 5: pp. 1-17. Anderson, T. W. (1958). An introduction to multivariate statistical analysis. 2 Ball, R. & Brown, P. (1968). An Empirical Evaluation of Acounting Income Numbers. Journal of Accounting Research. 6: pp. 159-78. Bartels, R. (1982). The Rank Version of von Neumann's Ratio Test for Randomness. Journal of the American Satatistical Association, 40-46. Bellman, R. (1957a). A Markovian decision process. Journal of Mathematics and Mechanics, 679-684. Bradley Efron, R. T. (1993). An instroduction to the Bootstrap. Chapman & Hall/CRC. Brock, W., Dechert, W., Scheinkman, J., and LeBaron, B., 1996, A Test for Independence Based on the Correlation Dimension, forthcoming in Econometric Reviews Brockwell, P. J. (2002). Introduction to Time Series and Forecasting. Broek, L. V. (2018). Cointegration-based pairs trading framework with applicattion to the Crypttocurrency market. Erasmus University Rotterdam. Choi, I. (1999). Testing the Random Walk Hypothesis for Real Exchange Rates. Journal of Applied Econometrics, 14(3), 293-308. http://www.jstor.org/stable/223180 CoinMarketCap. (2022). Obtenido de Today's Cryptocurrency Prices by Market Cap: https://coinmarketcap.com/ CoinMarketCap. (2022). Obtenido de Top Cryptocurrency Spot Exchanges: https://coinmarketcap.com/rankings/exchanges/ Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine, 20(3), 273-297. Douglas Patterson, R. A. (2000). A NONLINEAR TIME SERIES WORKSHOP: A Toolkit for Detecting and Identifying Nonlinear Serial Dpendence. New York: Springer Science+Business Media. Elliott, G., Rothenberg, T. J., & Stock, J. H. (1996). Efficient Tests for an Autoregressive Unit Root. Econometrica, 64(4), 813-836. Erhan, D., Bengio, Y., Courville, A., & Vincent, P. (2009). Visualizing higher-layer features of a deep network. University of Montreal, 1341(3), 1. eviews. (11 de Noviembre de 2020). BDS Independence Test. Obtenido de http://www.eviews.com/help/helpintro.html#page/content/advtimeser-BDS_Independence_Test.html Fama, E (1970). Efficient Capital Markets: A Review of Theory and Empirical Work. Journal of Finance. 25 (2): pp. 383-417. Fama, E. & Blume, M. (1966). Filter Rule and Stock Market Trading Profits. Journal of Business. 39: pp. 226-41. Fama, E. Fisher, L. Jensen, M. & Roll, R. (1969). The Adjustment of Stock Prices to New Information. International Business Review. X: pp. 1-21 Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. He, K., Zhang, X., Ren, S., & Sun, J. (2016d). Deep residual learning for image recognition. IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation(2), 1735-1780. Hurst, H. (1951). Long-term storage capacity of reservoirs. Transactions of the American Society of Civil Engineers. Investopedia. (30 de Octubre de 2021). Cryptocurrency. Obtenido de https://www.investopedia.com/terms/c/cryptocurrency.asp Jensen, M. (1968). The Performance of Mutual Funds in the Period 1945-1964. Journal of Finance. 23: pp. 389-416. Kim, J. H. (2009). Automatic variance ratio test under conditional. Department of Econometrics and Business Statistics, 179-185. L., L. (14 de Agosto de 2021). Why Use Logarithmic Returns In Time Series Modeling. Obtenido de https://lucaslouca.com/Why-Use-Logarithmic-Returns-In-Time-Series-Modelling/ Latif, M. Arshad, S. Fatima, M. & Farooq, S. (2011). Market Efficiency, Market Anomalies, Causes, Evidences,and Some Behavioral Aspects of Market Anomalies. Research Journal of Finance and Accounting, p. 2. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444. Li, Y. (2017). Deep Reinforcement Learning: An Overview. arXiv. doi:10.48550/ARXIV.1701.07274 Liaw, A., Wiener, M., & al., e. (2002). Classification and regression by Random Forest. R news, 2(3), 18-22. Malkiel, B. G. (2019). A random walk down Wall Street: the time-tested strategy for successful investing. WW Norton & Company. Mnih, V., Kavukcuoglu, K., Silver, D., Rusu, A. A., Veness, J., Bellemare, M. G., . . . Hassabis, D. (2015). Human-level control through deep reinforcement learning. Nature, 518(7540), 529-533. Neiderhoffer, V. & Osborne, M. (1966). Marketing Making and Reversal on the Stock Exchage. Journal of the American Statistical Association. 61: pp. 897-916. Qian, B., and K. Rasheed. 2004. "Hurst Exponent and Financial Market Predictability." In IASTED Conference on Financial Engineering and Applications, FEA 2004. Athens, GA: University of Georgia, 203-209. Rasmussen, C. E. (2004). Gaussian processes in machine learning. Advanced lectures on machine learning, 63-71. Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1988). Learning representations by back-propagating errors. Cognitive modeling, 5(3), 1. Sharpe, W. F. (1966). Mutual Fund Performance. Journal of Business, 39(1), 119-138. Sutskever, I., Vinyals, O., & Le, Q. V. (2014). Sequence to sequence learning with neural networks. Advances in Neural Information Processing Systems, 3104-3112. Tsay, R. (1951). Analysis of Financial Time Series. Congress Cataloging-in-Publication Data. Urquhart, A. (2016). How predictable are precious metal returns? The European Journal of Finance, 1390-1413. Urquhart, A. (2016). The inefficiency of Bitcoin. Economics Letters. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., . . . Polosukhin, I. (2017). Attention Is All You Need. arXiv. doi:10.48550/ARXIV.1706.03762 VOI. (31 de Agosto de 2021). Estas 14 De Las Grandes Compañías Del Mundo Que Aceptan Pagos Con Bitcoin Y Altcoins, Hay Starbucks, Coca Cola, Tesla Y Amazon. Obtenido de https://voi.id/es/teknologi/80450/estas-14-de-las-grandes-companias-del-mundo-que-aceptan-pagos-con-bitcoin-y-altcoins-hay-starbucks-coca-cola-tesla-y-amazon Wald A, W. J. (1940). On a test whether two samples are from the same population. En W. J. Wald A, Ann. Math Statist (págs. 147-162). Waud R. (1970). Public Interpretation of Federal Reserve Discount Rate Changes: Evidence on the "Announcement Effect". Econometrica. 38 (2): pp. 231-250. Wu, C. (1986). Jackknife, bootstrap and other reseampling methods in regression analysis. Annals of Statistics, 1261-1350 |
| dc.rights.none.fl_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 Internacional http://creativecommons.org/licenses/by-nc/4.0/ info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 Internacional http://creativecommons.org/licenses/by-nc/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.none.fl_str_mv |
103 páginas application/pdf application/pdf application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad de los Andes Maestría en Ingeniería Industrial Facultad de Ingeniería Departamento de Ingeniería Industrial |
| publisher.none.fl_str_mv |
Universidad de los Andes Maestría en Ingeniería Industrial Facultad de Ingeniería Departamento de Ingeniería Industrial |
| dc.source.none.fl_str_mv |
reponame:Séneca: repositorio Uniandes instname:Universidad de los Andes instacron:Universidad de los Andes |
| instname_str |
Universidad de los Andes |
| instacron_str |
Universidad de los Andes |
| institution |
Universidad de los Andes |
| reponame_str |
Séneca: repositorio Uniandes |
| collection |
Séneca: repositorio Uniandes |
| _version_ |
1825052246029631488 |
| spelling |
Eficiencia del mercado de criptomonedas y planteamiento de estrategias de trading basadas en arbitraje y machine learningCortés Durán, Juan PabloHernández Vega, Javier CamiloTradingArbitrageCointegrationFinanceMachine learningDeep reinforcement learningMarket efficiencyEfficiency hypothesisAprendizaje automático (Inteligencia artificial)CriptomonedaArbitramento (Economía)IngenieríaLas criptomonedas conforman un mercado emergente de activos financieros al que cada vez se suman más inversionistas. Grandes compañías han incluido las criptomonedas dentro de su actividad e incluso, El Salvador adoptó el bitcoin como una moneda legal. Aun así, las criptomonedas siguen siendo un mercado altamente especulativo en el que sus participantes buscan obtener una ganancia en lugar de utilizarlas como moneda de cambio. Teniendo en cuenta que este es un mercado financiero, es de interés evaluar su eficiencia, dónde se esperaría que cumpliese por lo menos con la forma semi-fuerte. Se obtuvieron los precios históricos de las 10 criptomonedas con mayor capitalización bursátil que han sido negociadas por lo menos durante 5 años. Para hacer un análisis más profundo, se consideraron precios en 7 frecuencias diferentes: 1, 5, 15 y 30 minutos, 1 y 4 horas, y 1 día. A partir de los histogramas y diagramas de dispersión de los retornos logarítmicos de cada criptomoneda se observaron comportamientos anormales, como medidas de tendencia central diferentes de cero y dependencias seriales. Se puso a prueba la hipótesis de eficiencia del mercado de las criptomonedas a través de una batería de pruebas estadísticas. Primero, a través de una prueba de bondad de ajuste Chi-cuadrado se concluyó que los retornos logarítmicos de la mayoría de las criptomonedas no siguen una distribución Normal. Después, se evaluó la autocorrelación de los retornos con las pruebas de LJung-Box y Automatic Variance Ratio dónde se detectaron problemas en las frecuencias más bajas en la mayoría de los activos. Luego, se evaluó la independencia de los cambios de los precios con las pruebas de Runs y Bartels las cuales rechazan la hipótesis de independencia en las frecuencias más altas y en las frecuencias más bajas en todas las criptomonedas. También, se realizó la prueba BDS con la que solamente dos criptomonedas en dos frecuencias no rechazaron la hipótesis de aleatoriedad de los retornos. Finalmente, se calculó el exponente de R/S Hurst con la que se midió la persistencia o la anti-persistencia de la tendencia de los precios y se encontró que muy pocas monedas en algunas frecuencias presentan alguna de las dos condiciones evaluadas. Teniendo en cuenta los resultados de las pruebas, se concluyó que existe suficiente evidencia estadística que demuestra debilidad en la forma semi-fuerte de la eficiencia del mercado de criptomonedas, pues es posible utilizar información histórica para predecir características del comportamiento futuro de los precios. A partir de las conclusiones sobre la hipótesis de eficiencia del mercado de criptomonedas, se diseñó una estrategia de arbitraje basada en la cointegración de las series de precios entre parejas de monedas. Con el método de dos pasos de Engle-Granger se detectaron parejas de criptomonedas cuyas diferencias entre sus precios pueden ser explicadas por un modelo lineal de mínimos cuadrados. Suponiendo que la diferencia entre los precios de una pareja de monedas se conserva a través del tiempo, se definió que cada vez que las series se separan o se acercan significativamente, éstas regresarán a su diferencia original. A pesar de que se obtuvieron rendimientos positivos con la mayoría de los pares de criptomonedas en las que se detectó cointegración, algunas otras perdían esta propiedad con el paso del tiempo, haciendo que la diferencia entre sus precios nunca regresara a su valor esperado. Finalmente, se propuso una metodología de Deep Reinforcement Learning (DRL) para hacer trading en el mercado de criptomonedas. El agente utiliza únicamente los retornos históricos en diferentes frecuencias para decidir en qué activo invertir en cada momento del tiempo. El sistema de decisión del agente es una red neuronal artificial cuya arquitectura está basada en los mecanismos de atención del Transformer, los cuales han demostrado un gran desempeño en problemas de datos secuenciales. El agente interactuó con el entorno durante 400 episodios, cada uno con una duración de 30 días, dónde cada hora podía modificar su posición en los activos. El agente de DRL fue capaz de aprender a hacer trading de manera efectiva, obteniendo un retorno del 106.58% anual en un periodo posterior al utilizado durante el entrenamiento, teniendo en cuenta costos de transacción. Más aún, el agente superó el mercado en cuanto a retorno esperado ajustado por riesgo, con un Sharpe Ratio de 1.8590 vs un 1.6218 del índice S&P500 en la misma ventana de tiempo. A pesar de que lo anterior puede demostrar que no se cumple la forma semi-fuerte de la eficiencia en el mercado de criptomonedas, también se discutió de forma crítica las implicaciones y limitaciones de las estrategias que se plantearon.Magíster en Ingeniería IndustrialMaestríaUniversidad de los AndesMaestría en Ingeniería IndustrialFacultad de IngenieríaDepartamento de Ingeniería IndustrialVillarreal Navarro, JulioValencia Arboleda, Carlos FelipeHernández Losada, Diego Fernando2021-05Trabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_bdcchttp://purl.org/coar/version/c_ab4af688f83e57aaTexthttps://purl.org/redcol/resource_type/TM103 páginasapplication/pdfapplication/pdfapplication/pdfhttp://hdl.handle.net/1992/57722instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/spaAlford, A. & Guffey, D. (1996). A Re-examination of International Seasonalities. Review of Financial Economics. 5: pp. 1-17.Anderson, T. W. (1958). An introduction to multivariate statistical analysis. 2Ball, R. & Brown, P. (1968). An Empirical Evaluation of Acounting Income Numbers. Journal of Accounting Research. 6: pp. 159-78.Bartels, R. (1982). The Rank Version of von Neumann's Ratio Test for Randomness. Journal of the American Satatistical Association, 40-46.Bellman, R. (1957a). A Markovian decision process. Journal of Mathematics and Mechanics, 679-684.Bradley Efron, R. T. (1993). An instroduction to the Bootstrap. Chapman & Hall/CRC.Brock, W., Dechert, W., Scheinkman, J., and LeBaron, B., 1996, A Test for Independence Based on the Correlation Dimension, forthcoming in Econometric ReviewsBrockwell, P. J. (2002). Introduction to Time Series and Forecasting.Broek, L. V. (2018). Cointegration-based pairs trading framework with applicattion to the Crypttocurrency market. Erasmus University Rotterdam.Choi, I. (1999). Testing the Random Walk Hypothesis for Real Exchange Rates. Journal of Applied Econometrics, 14(3), 293-308. http://www.jstor.org/stable/223180CoinMarketCap. (2022). Obtenido de Today's Cryptocurrency Prices by Market Cap: https://coinmarketcap.com/CoinMarketCap. (2022). Obtenido de Top Cryptocurrency Spot Exchanges: https://coinmarketcap.com/rankings/exchanges/Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine, 20(3), 273-297.Douglas Patterson, R. A. (2000). A NONLINEAR TIME SERIES WORKSHOP: A Toolkit for Detecting and Identifying Nonlinear Serial Dpendence. New York: Springer Science+Business Media.Elliott, G., Rothenberg, T. J., & Stock, J. H. (1996). Efficient Tests for an Autoregressive Unit Root. Econometrica, 64(4), 813-836.Erhan, D., Bengio, Y., Courville, A., & Vincent, P. (2009). Visualizing higher-layer features of a deep network. University of Montreal, 1341(3), 1.eviews. (11 de Noviembre de 2020). BDS Independence Test. Obtenido de http://www.eviews.com/help/helpintro.html#page/content/advtimeser-BDS_Independence_Test.htmlFama, E (1970). Efficient Capital Markets: A Review of Theory and Empirical Work. Journal of Finance. 25 (2): pp. 383-417.Fama, E. & Blume, M. (1966). Filter Rule and Stock Market Trading Profits. Journal of Business. 39: pp. 226-41.Fama, E. Fisher, L. Jensen, M. & Roll, R. (1969). The Adjustment of Stock Prices to New Information. International Business Review. X: pp. 1-21Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.He, K., Zhang, X., Ren, S., & Sun, J. (2016d). Deep residual learning for image recognition. IEEE Conference on Computer Vision and Pattern Recognition (CVPR).Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation(2), 1735-1780.Hurst, H. (1951). Long-term storage capacity of reservoirs. Transactions of the American Society of Civil Engineers.Investopedia. (30 de Octubre de 2021). Cryptocurrency. Obtenido de https://www.investopedia.com/terms/c/cryptocurrency.aspJensen, M. (1968). The Performance of Mutual Funds in the Period 1945-1964. Journal of Finance. 23: pp. 389-416.Kim, J. H. (2009). Automatic variance ratio test under conditional. Department of Econometrics and Business Statistics, 179-185.L., L. (14 de Agosto de 2021). Why Use Logarithmic Returns In Time Series Modeling. Obtenido de https://lucaslouca.com/Why-Use-Logarithmic-Returns-In-Time-Series-Modelling/Latif, M. Arshad, S. Fatima, M. & Farooq, S. (2011). Market Efficiency, Market Anomalies, Causes, Evidences,and Some Behavioral Aspects of Market Anomalies. Research Journal of Finance and Accounting, p. 2.LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.Li, Y. (2017). Deep Reinforcement Learning: An Overview. arXiv. doi:10.48550/ARXIV.1701.07274Liaw, A., Wiener, M., & al., e. (2002). Classification and regression by Random Forest. R news, 2(3), 18-22.Malkiel, B. G. (2019). A random walk down Wall Street: the time-tested strategy for successful investing. WW Norton & Company.Mnih, V., Kavukcuoglu, K., Silver, D., Rusu, A. A., Veness, J., Bellemare, M. G., . . . Hassabis, D. (2015). Human-level control through deep reinforcement learning. Nature, 518(7540), 529-533.Neiderhoffer, V. & Osborne, M. (1966). Marketing Making and Reversal on the Stock Exchage. Journal of the American Statistical Association. 61: pp. 897-916.Qian, B., and K. Rasheed. 2004. "Hurst Exponent and Financial Market Predictability." In IASTED Conference on Financial Engineering and Applications, FEA 2004. Athens, GA: University of Georgia, 203-209.Rasmussen, C. E. (2004). Gaussian processes in machine learning. Advanced lectures on machine learning, 63-71.Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1988). Learning representations by back-propagating errors. Cognitive modeling, 5(3), 1.Sharpe, W. F. (1966). Mutual Fund Performance. Journal of Business, 39(1), 119-138.Sutskever, I., Vinyals, O., & Le, Q. V. (2014). Sequence to sequence learning with neural networks. Advances in Neural Information Processing Systems, 3104-3112.Tsay, R. (1951). Analysis of Financial Time Series. Congress Cataloging-in-Publication Data.Urquhart, A. (2016). How predictable are precious metal returns? The European Journal of Finance, 1390-1413.Urquhart, A. (2016). The inefficiency of Bitcoin. Economics Letters.Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., . . . Polosukhin, I. (2017). Attention Is All You Need. arXiv. doi:10.48550/ARXIV.1706.03762VOI. (31 de Agosto de 2021). Estas 14 De Las Grandes Compañías Del Mundo Que Aceptan Pagos Con Bitcoin Y Altcoins, Hay Starbucks, Coca Cola, Tesla Y Amazon. Obtenido de https://voi.id/es/teknologi/80450/estas-14-de-las-grandes-companias-del-mundo-que-aceptan-pagos-con-bitcoin-y-altcoins-hay-starbucks-coca-cola-tesla-y-amazonWald A, W. J. (1940). On a test whether two samples are from the same population. En W. J. Wald A, Ann. Math Statist (págs. 147-162).Waud R. (1970). Public Interpretation of Federal Reserve Discount Rate Changes: Evidence on the "Announcement Effect". Econometrica. 38 (2): pp. 231-250.Wu, C. (1986). Jackknife, bootstrap and other reseampling methods in regression analysis. Annals of Statistics, 1261-1350Attribution-NonCommercial-NoDerivatives 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2reponame:Séneca: repositorio Uniandesinstname:Universidad de los Andesinstacron:Universidad de los Andes2024-12-04T16:50:30Z |
| score |
15.81155 |