Metodología robusta de trading algorítmico con machine learning y deep reinforcement learning en criptomonedas

Abstract

Este estudio examina la eficacia de los modelos de ensamble mediante el aprendizaje automático y profundo en la optimización del comercio algorítmico de criptomonedas. Se ha desarrollado un modelo que clasifica los precios de las criptomonedas y proporciona información relevante a un algoritmo de aprendizaje por refuerzo con Q-Learning para tomar decisiones de inversión. La metodología implica recopilación de datos históricos, aplicación de indicadores técnicos, y procesos de selección, transformación y limpieza de características. Los resultados sugieren que los modelos de ensamble muestran promesa en la predicción de tendencias de criptomonedas, con un F1-score de 0.85 para Bitcoin (BTC) y una rentabilidad anual total del 126% obtenida por el modelo de aprendizaje por refuerzo con Deep Q-Learning (DRL). Estos hallazgos, aunque positivos, subrayan la necesidad de considerar factores de riesgo y eventos externos en futuras implementaciones y evaluaciones.