Tecnología blockchain y regulación de la privacidad: revisando fricciones y sintetizando oportunidades

A medida que la aplicación de la tecnología Blockchain (BCT) crece en varias industrias, su naturaleza inherente descentralizada e inmutable plantea algunas cuestiones conflictivas relacionadas con la regulación de la privacidad. La aplicación de regulaciones de privacidad como el Reglamento General de Protección de Datos (GDPR) ejemplifica estos desafíos, ya que ciertos requisitos estrictos de privacidad dentro del GDPR pueden entrar en conflicto con las características de BCT. Sin embargo, se presta poca atención a estas cuestiones críticas. Este estudio se basa en la perspectiva teórica Tecnología-Organización-Entorno (TOE) como un mecanismo para desarrollar el problema. La investigación actual se centra en explorar las tensiones y las oportunidades de sinergia a través de la lente de TOE para prevenir el incumplimiento de la normativa de privacidad. Analizamos 71 estudios de investigación multidisciplinarios que destacan las áreas de fricción y presentan una estructura unificadora para la síntesis de la investigación. En respuesta a las áreas de fricción identificadas y las oportunidades potenciales de coexistencia, formulamos nueve propuestas de investigación centradas en seis requisitos destacados y polémicos de privacidad y protección de datos dentro del GDPR. Esta investigación contribuye al debate más amplio sobre las soluciones basadas en blockchain que cumplen con las normas de privacidad al proporcionar una base teórica para futuras investigaciones en esta área crítica. El estudio sugiere que conciliar la BCT y los requisitos de regulación de la privacidad permitirá liberar todo el potencial de la BCT, creando una infraestructura tecnológica segura y consciente de la privacidad y ofreciendo implicaciones prácticas y perspectivas para los responsables de las políticas.

Predicción de precios de Bitcoin utilizando inteligencia artificial:
Combinación de modelos de ML, SARIMA y Facebook Prophet

✍️ Lupin moha

link.springer.com
Aprendizaje profundo para la predicción de la dirección del precio de Bitcoin: modelos y estrategias de trading comparados empíricamente
Oluwadamilare Omole, David Enke
Innovación Financiera 10 (1), 117, 2024
Este documento aplica modelos de aprendizaje profundo para predecir las direcciones del precio de Bitcoin y la posterior rentabilidad de las estrategias de trading basadas en estas predicciones. El estudio compara el rendimiento de la red neuronal convolucional–memoria a largo y corto plazo (CNN–LSTM), la red de series temporales a largo y corto plazo, la red convolucional temporal y los modelos ARIMA (de referencia) para predecir los precios de Bitcoin utilizando datos en cadena. Se aplican métodos de selección de características, es decir, Boruta, algoritmo genético y máquina de aumento de gradiente ligero, para abordar la maldición de la dimensionalidad que podría resultar de un gran conjunto de características. Los resultados indican que la combinación de la selección de características de Boruta con el modelo CNN–LSTM supera consistentemente otras combinaciones, logrando una precisión del 82.44%. Se examinan tres estrategias de trading y tres posiciones de inversión a través de pruebas retrospectivas. El enfoque de inversión de compra y venta a largo y corto generó un retorno anual extraordinario del 6654% cuando se informó por predicciones de dirección de precios de mayor precisión. Este estudio proporciona evidencia de la rentabilidad potencial de los modelos predictivos en el trading de Bitcoin.

#$

sciencedirect.com
Predicción del precio de Bitcoin utilizando aprendizaje automático: Un enfoque para la ingeniería de la dimensión de la muestra
Zheshi Chen, Chunhong Li, Wenjun Sun
Revista de Matemáticas Computacionales y Aplicadas 365, 112395, 2020
Después del auge y la caída de los precios de las criptomonedas en los últimos años, Bitcoin ha sido cada vez más considerado como un activo de inversión. Debido a su naturaleza altamente volátil, existe una necesidad de buenas predicciones en las que basar las decisiones de inversión. Aunque los estudios existentes han aprovechado el aprendizaje automático para una predicción más precisa del precio de Bitcoin, pocos se han centrado en la viabilidad de aplicar diferentes técnicas de modelado a muestras con diferentes estructuras de datos y características dimensionales. Para predecir el precio de Bitcoin a diferentes frecuencias utilizando técnicas de aprendizaje automático, primero clasificamos el precio de Bitcoin por precio diario y precio de alta frecuencia. Se utiliza un conjunto de características de alta dimensión que incluyen propiedades y red, comercio y mercado, atención y precio del oro al contado para la predicción del precio diario de Bitcoin, mientras que las características básicas de comercio adquiridas de un intercambio de criptomonedas se utilizan para la predicción del precio en intervalos de 5 minutos. Métodos estadísticos que incluyen Regresión Logística y Análisis Discriminante Lineal para la predicción del precio diario de Bitcoin con características de alta dimensión logran una precisión del 66%, superando algoritmos de aprendizaje automático más complicados. En comparación con los resultados de referencia para la predicción del precio diario, logramos un mejor rendimiento, con las precisiones más altas de los métodos estadísticos y algoritmos de aprendizaje automático del 66% y 65.3%, respectivamente. Modelos de aprendizaje automático que incluyen Bosque Aleatorio, XGBoost, Análisis Discriminante Cuadrático, Máquinas de Soporte Vectorial y Memoria a Largo y Corto Plazo para la predicción del precio de Bitcoin en intervalos de 5 minutos son superiores a los métodos estadísticos, con una precisión que alcanza el 67.2%. Nuestra investigación sobre la predicción del precio de Bitcoin puede considerarse un estudio piloto de la importancia de la dimensión de la muestra en las técnicas de aprendizaje automático.