Application of machine learning models and interpretability techniques to identify the determinants of the price of bitcoin
Serie: Documentos de Trabajo. 2215.
Autor: José Manuel Carbó y Sergio Gorjón.
Documento completo
Resumen
Las criptomonedas son cada día más populares. Sin ir más lejos, en 2021 su capitalización agregada llegó a superar los 3 billones de dólares, una cifra nunca antes registrada. Dentro de este amplio ecosistema, destaca el caso del bitcoin, cuyo precio alcanzó los 68.000 dólares en 2021, que marca un máximo histórico. Sin embargo, la evolución de esta cotización dista de ser consistente en el tiempo, pues se observan, con frecuencia, fluctuaciones considerables y abruptas, como las ocurridas en los meses que siguieron a los valores récord antes señalados. Ante el más que previsible crecimiento del bitcoin y la concentración de su actividad mayoritariamente en ambientes no regulados, crece la preocupación entre las autoridades financieras de todo el mundo acerca de su potencial impacto en la estabilidad financiera, en la política monetaria y en la integridad del sistema financiero. En consecuencia, apremia avanzar en la construcción de un marco regulatorio y supervisor sólido y consistente ante estos desafíos. A estos efectos, resulta necesario mejorar el grado de comprensión tanto de los factores subyacentes que influyen en la formación del precio del bitcoin como de su estabilidad a lo largo del tiempo. En este documento analizamos cuáles son las variables que determinan el precio al que se negocia el bitcoin en las plataformas de intercambio más relevantes. Para ello, utilizamos un modelo flexible de aprendizaje automático; concretamente, una red neuronal Long Short Term Memory (LSTM), para establecer el precio del bitcoin en función de una serie de variables que captan factores económicos, tecnológicos y de atención por parte de los inversores. Nuestro modelo LSTM replica razonablemente bien el comportamiento del precio del bitcoin en diferentes períodos. A continuación, empleamos una técnica de interpretabilidad —SHAP— para determinar las características que influyen más en los resultados del modelo LSTM. Conforme a lo anterior, concluimos que la importancia de las diferentes variables cambia sustancialmente a lo largo del período analizado. Además, encontramos que no solo varía su influencia, sino que, paulatinamente, aparecen nuevos factores explicativos que, al menos en su mayor parte, permanecen desconocidos.