Predicción del retorno de Bitcoin: el papel del volumen y los indicadores técnicos en modelos de pronóstico avanzados.

Abstract

Este trabajo evalúa el aporte del volumen de negociación, la volatilidad histórica y los indicadores técnicos al pronóstico del retorno logarítmico diario de Bitcoin frente al dólar estadounidense (BTC-USD). Para ello, se construyó un conjunto de datos financieros con precios, volumen, rezagos del retorno e indicadores como RSI, MACD, ATR, OBV y CMF. La comparación se desarrolló entre modelos univariados, basados únicamente en la historia del retorno, y modelos multivariados que incorporan variables exógenas de mercado. La metodología incluyó modelos de referencia, modelos clásicos de series de tiempo, modelos con regresores exógenos, algoritmos de machine learning, modelos de deep learning, modelos aditivos e híbridos. La evaluación se realizó mediante esquemas Hold-Out y Rolling-Origin, con horizontes de uno y siete días. Como métrica principal se utilizó MASE, complementada con MAE, RMSE, sMAPE y métricas direccionales como Accuracy, Precision, Recall, F1-score, MCC y AUC. Los resultados muestran que los modelos multivariados, especialmente XGBoost y Random Forest, reducen el error predictivo frente a las mejores alternativas univariadas en los esquemas evaluados. También se identificó que algunos modelos, como GAM, presentan un desempeño direccional competitivo, aunque no siempre coinciden con los modelos de menor error en magnitud. En conjunto, el estudio evidencia que la información asociada al volumen, la volatilidad y los indicadores técnicos puede aportar valor predictivo al análisis de BTC-USD, aunque su utilidad depende del horizonte, el esquema de validación y el criterio de evaluación utilizado.