{"id":{"repo_id":"utdt","oai_identifier":"oai:repositorio.utdt.edu:20.500.13098/11574"},"canonical_url":"https://search.dev.ndltd.org/etd/utdt/oai:repositorio.utdt.edu:20.500.13098/11574","repository":{"repo_id":"utdt","name":"Universidad Torcuato di Tella","base_url":"https://repositorio.utdt.edu/oai/request"},"display":{"title":"Deep Reinforcement Learning, Análisis Técnico y Análisis de Sentimientos para Operar sobre Bitcoin","abstract":"En el mundo financiero, más específicamente en el sector del trading de activos, se suelen realizar distintos tipos de análisis y seguir distintas estrategias para obtener la mayor ganancia neta posible. Estos tipos de análisis se los puede clasificar en dos: análisis fundamental y análisis técnico. Ambos con enfoques completamente distintos buscan aportar la mayor cantidad de información para la toma de decisiones informada sobre una potencial inversión. El primero busca entender cuestiones políticas, sociales, de mercado, y otras que impacten sobre el precio de un activo. El segundo, independientemente de cual sea el activo, busca comprender el comportamiento de su precio basándose en datos concretos del pasado. Ya hace algunos años aparecieron las criptomonedas. Un nuevo nicho y oportunidad de inversión para los traders. Una de las tantas complejidades que tienen estos activos es que, al estar basadas en tecnología blockchain, el anonimato y la falta de respaldo de las mismas por entidades formalmente reconocidas y reguladas como bancos o empresas, imposibilitan realizar el análisis fundamental clásico como tal. En esta tesis se utilizan las últimas tecnologías en el campo de la ciencia de datos, como el Deep Reinforcement Learning. Se prueban distintas técnicas de mejora de performance, y se añaden datos que se cree, podrían sumar información del tipo que se utiliza en el análisis fundamental, para desarrollar un Bot de trading. Este bot opera y aprende sobre una de las criptomonedas más conocidas, el Bitcoin, con el objetivo de generar la mayor ganancia neta posible. Se discute el impacto de cada una de las alternativas probadas en el trabajo y el aporte de las mismas a la mejora de la performance y factibilidad. Al final, se discute cómo estos modelos pueden ser aplicados para generar valor en el trabajo diario de los traders humanos.","abstract_html":"En el mundo financiero, más específicamente en el sector del trading de activos, se suelen realizar distintos tipos de análisis y seguir distintas estrategias para obtener la mayor ganancia neta posible. Estos tipos de análisis se los puede clasificar en dos: análisis fundamental y análisis técnico. Ambos con enfoques completamente distintos buscan aportar la mayor cantidad de información para la toma de decisiones informada sobre una potencial inversión. El primero busca entender cuestiones políticas, sociales, de mercado, y otras que impacten sobre el precio de un activo. El segundo, independientemente de cual sea el activo, busca comprender el comportamiento de su precio basándose en datos concretos del pasado. Ya hace algunos años aparecieron las criptomonedas. Un nuevo nicho y oportunidad de inversión para los traders. Una de las tantas complejidades que tienen estos activos es que, al estar basadas en tecnología blockchain, el anonimato y la falta de respaldo de las mismas por entidades formalmente reconocidas y reguladas como bancos o empresas, imposibilitan realizar el análisis fundamental clásico como tal. En esta tesis se utilizan las últimas tecnologías en el campo de la ciencia de datos, como el Deep Reinforcement Learning. Se prueban distintas técnicas de mejora de performance, y se añaden datos que se cree, podrían sumar información del tipo que se utiliza en el análisis fundamental, para desarrollar un Bot de trading. Este bot opera y aprende sobre una de las criptomonedas más conocidas, el Bitcoin, con el objetivo de generar la mayor ganancia neta posible. Se discute el impacto de cada una de las alternativas probadas en el trabajo y el aporte de las mismas a la mejora de la performance y factibilidad. Al final, se discute cómo estos modelos pueden ser aplicados para generar valor en el trabajo diario de los traders humanos.","abstract_has_math":false,"creators":["Ferrari, Franco Matías"],"institution":"Universidad Torcuato Di Tella","degree_name":"Master in Management + Analytics","degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Gálvez, Ramiro H."],"committee_chairs":[],"committee_members":[],"year":2021,"date_issued":"2021","date_published":"2021","updated_at":"2026-07-27T21:55:27Z","subjects":["Activos financieros","Análisis de datos","Beneficios financieros"],"languages":["spa"],"rights":["info:eu-repo/semantics/openAccess"],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"https://repositorio.utdt.edu/handle/20.500.13098/11574","outbound_label":"Repository record","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Gálvez, Ramiro H."]},{"key":"dc:creator","label":"Author","values":["Ferrari, Franco Matías"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2023-01-09T15:46:13Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2023-01-09T15:46:13Z"]},{"key":"dc:date.issued","label":"Date","values":["2021"]},{"key":"dc:type","label":"Dc Type","values":["info:eu-repo/semantics/masterThesis"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Master in Management + Analytics"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["Universidad Torcuato Di Tella","Escuela de Negocios"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Activos financieros","Análisis de datos","Beneficios financieros"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["spa"]},{"key":"dc:rights","label":"Dc Rights","values":["info:eu-repo/semantics/openAccess"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://repositorio.utdt.edu/handle/20.500.13098/11574"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["En el mundo financiero, más específicamente en el sector del trading de activos, se suelen realizar distintos tipos de análisis y seguir distintas estrategias para obtener la mayor ganancia neta posible. Estos tipos de análisis se los puede clasificar en dos: análisis fundamental y análisis técnico. Ambos con enfoques completamente distintos buscan aportar la mayor cantidad de información para la toma de decisiones informada sobre una potencial inversión. El primero busca entender cuestiones políticas, sociales, de mercado, y otras que impacten sobre el precio de un activo. El segundo, independientemente de cual sea el activo, busca comprender el comportamiento de su precio basándose en datos concretos del pasado. Ya hace algunos años aparecieron las criptomonedas. Un nuevo nicho y oportunidad de inversión para los traders. Una de las tantas complejidades que tienen estos activos es que, al estar basadas en tecnología blockchain, el anonimato y la falta de respaldo de las mismas por entidades formalmente reconocidas y reguladas como bancos o empresas, imposibilitan realizar el análisis fundamental clásico como tal. En esta tesis se utilizan las últimas tecnologías en el campo de la ciencia de datos, como el Deep Reinforcement Learning. Se prueban distintas técnicas de mejora de performance, y se añaden datos que se cree, podrían sumar información del tipo que se utiliza en el análisis fundamental, para desarrollar un Bot de trading. Este bot opera y aprende sobre una de las criptomonedas más conocidas, el Bitcoin, con el objetivo de generar la mayor ganancia neta posible. Se discute el impacto de cada una de las alternativas probadas en el trabajo y el aporte de las mismas a la mejora de la performance y factibilidad. Al final, se discute cómo estos modelos pueden ser aplicados para generar valor en el trabajo diario de los traders humanos."]},{"key":"dc:title","label":"Title","values":["Deep Reinforcement Learning, Análisis Técnico y Análisis de Sentimientos para Operar sobre Bitcoin"]}]}],"canonical_facts":{"dc:contributor.advisor":["Gálvez, Ramiro H."],"dc:creator":["Ferrari, Franco Matías"],"dc:date.accessioned":["2023-01-09T15:46:13Z"],"dc:date.available":["2023-01-09T15:46:13Z"],"dc:date.issued":["2021"],"dc:description.abstract":["En el mundo financiero, más específicamente en el sector del trading de activos, se suelen realizar distintos tipos de análisis y seguir distintas estrategias para obtener la mayor ganancia neta posible. Estos tipos de análisis se los puede clasificar en dos: análisis fundamental y análisis técnico. Ambos con enfoques completamente distintos buscan aportar la mayor cantidad de información para la toma de decisiones informada sobre una potencial inversión. El primero busca entender cuestiones políticas, sociales, de mercado, y otras que impacten sobre el precio de un activo. El segundo, independientemente de cual sea el activo, busca comprender el comportamiento de su precio basándose en datos concretos del pasado. Ya hace algunos años aparecieron las criptomonedas. Un nuevo nicho y oportunidad de inversión para los traders. Una de las tantas complejidades que tienen estos activos es que, al estar basadas en tecnología blockchain, el anonimato y la falta de respaldo de las mismas por entidades formalmente reconocidas y reguladas como bancos o empresas, imposibilitan realizar el análisis fundamental clásico como tal. En esta tesis se utilizan las últimas tecnologías en el campo de la ciencia de datos, como el Deep Reinforcement Learning. Se prueban distintas técnicas de mejora de performance, y se añaden datos que se cree, podrían sumar información del tipo que se utiliza en el análisis fundamental, para desarrollar un Bot de trading. Este bot opera y aprende sobre una de las criptomonedas más conocidas, el Bitcoin, con el objetivo de generar la mayor ganancia neta posible. Se discute el impacto de cada una de las alternativas probadas en el trabajo y el aporte de las mismas a la mejora de la performance y factibilidad. Al final, se discute cómo estos modelos pueden ser aplicados para generar valor en el trabajo diario de los traders humanos."],"dc:identifier.uri":["https://repositorio.utdt.edu/handle/20.500.13098/11574"],"dc:language":["spa"],"dc:rights":["info:eu-repo/semantics/openAccess"],"dc:subject":["Activos financieros","Análisis de datos","Beneficios financieros"],"dc:title":["Deep Reinforcement Learning, Análisis Técnico y Análisis de Sentimientos para Operar sobre Bitcoin"],"dc:type":["info:eu-repo/semantics/masterThesis"],"thesis:degree_name":["Master in Management + Analytics"],"thesis:institution_name":["Universidad Torcuato Di Tella","Escuela de Negocios"]},"updated_at":"2026-07-27T21:55:27Z"}