Las criptomonedas en el sistema financiero internacional. Un análisis predictivo mediante técnicas de Machine Learning (LSTM)

Abstract

[cast] Este trabajo está compuesto de dos partes. En la primera se lleva a cabo una presentación de lo que son las criptomonedas y cuáles son sus principales características. Se pone especial foco en Libra, moneda digital corporativa propuesta por Facebook basada en el uso de la tecnología Blockchain que quiere convertirse en una alternativa más segura y escalable respecto a las criptomonedas y que busca tener un gran impacto en los países menos desarrollados. A continuación, se analizan sus principales características, su funcionamiento, objetivos, competencia y el motivo de su fracaso hasta ahora. Además, se hace un análisis estadístico de las tarifas aplicadas a las remesas de 2011 a 2019 y de los niveles de acceso a servicios financieros de los años 2011, 2014 y 2017 para diferentes regiones del mundo. Esto se hace con el objetivo de analizar las variables que están detrás de la aparición de alternativas a los medios convencionales de transferencia de dinero, como por ejemplo Libra. Con esta información se podrá concluir como de necesarias son estas alternativas y si se está produciendo una convergencia de los países en desarrollo respecto a los desarrollados en las mencionadas variables. Por otro lado, se realiza un estudio de cómo podría ser un sistema financiero basado en criptomonedas, analizando la estabilidad de precios, la eficiencia de pagos, el riesgo sistémico endógeno y la posibilidad de que bancos centrales emitan monedas digitales con una funcionalidad parecida a la de Libra. En la segunda parte del trabajo se realiza en primer lugar un análisis estadístico de la rentabilidad de una serie de criptomonedas para así poder concluir cual es el riesgo asociado a cada una de ellas. Una vez hecho esto, se hace una distinción entre los modelos estadísticos y los modelos de Machine Learning y se demuestra estadísticamente por qué un modelo perfectamente especificado no tiene por qué ser el que realiza las mejores predicciones, aspecto que se tendrá en cuenta más adelante. En segundo lugar, se analiza la capacidad predictiva del precio de cierre de modelos de Machine Learning como son las redes LSTM y de modelos estadísticos como el modelo ARIMA. Con las predicciones realizadas por estos modelos se analizarán los beneficios que se pueden obtener con una estrategia de trading muy sencilla. Por último, se justifica que motivos hacen a la red LSTM una de las mejores candidatas para la predicción del precio de cierre por encima de otras alternativas como son las redes neuronales recurrentes (RNN).

[eng] This work is composed of two parts. The first one starts with a presentation of what cryptocurrencies are and what are their main characteristics. Special focus is placed on Libra, a Corporate Digital Currency proposed by Facebook based on the use of Blockchain technology that wants to become a more secure and scalable alternative to cryptocurrencies and that seeks to have a great impact in less developed countries. The main characteristics, its operation, objectives, competence and the reason for its failure so far are analyzed. In addition, a statistical analysis is made of the rates applied to remittances from 2011 to 2019 and of the levels of access to financial services for the years 2011, 2014 and 2017 for different regions of the world. This is done with the aim of analyzing the variables that are behind the emergence of alternatives to the means of money transfer, such as Libra. With this information, it will be possible to conclude how necessary these alternatives are and whether there is a convergence of developing countries with respect to developed countries in the aforementioned variables. On the other hand, a study is made of what a cryptocurrency-based financial system could be like, analyzing price stability, payment efficiency, endogenous systemic risk and the possibility that central banks issue digital currencies with functionality similar to that of Libra. In the second part of the work, a statistical analysis of the profitability of a series of cryptocurrencies is carried out in order to be able to conclude what is the risk associated with each of them. Once this is done, a distinction is made between statistical models and Machine Learning models and it is statistically demonstrated why a perfectly specified model does not have to be the one that makes the best predictions, an aspect that will be considered later. Secondly, the predictive capability of the closing price of Machine Learning models such as LSTM networks and statistical models such as the ARIMA model are analyzed. With the predictions made by these models there is an analysis of the benefits that can be obtained with a very simple trading strategy. Finally, the reason that make the LSTM network one of the best candidates for predicting the closing price above other alternatives such as recurrent neural networks (RNN) is justified.