Análisis Técnico del Bitcoin utilizando los indicadores básicos en Rstudio. Aplicación de los paquetes Quantmod y TTR para descargar datos del Bitcoin desde Yahoo Finance y lectura de los principales indicadores técnicos.

Utilizaré las principales funciones del paquete bupaR para conocer el potencial y alcance de su contenido en ser aplicado al Anaysis Business, Data Analytics y Data Mining. Igualmente utilizaré otros paquetes que ayudaran a realizar el análisis completo añadiendo otras características.

Realizaré una introducción a la Simulación Monte Carlo utilizando los resultados de cartera que se obtuvieron del entrenamiento “Portafolio de Fronteras Eficientes -Markowitz-” que se encuentra en una de las entradas de esta página.

Se aplicará el paquete Prophet utilizando la plataforma de Rstudio para realizar el análisis de tendencia, ciclos y estacionalidad finalizando con pronósticos a las dos criptomonedas de mayor capitalización: el Bitcoin (BTC) y Ether (ETH).

Se visualizará el contenido del paquete Gapminder, en especial los datos globales de la esperanza de vida al nacer y el Producto Interno Bruto per Cápita. Igualmente se elaborarán gráficos interactivos, de tendencia y dispersión. Por último, algunas pruebas lineales para determinar correlación y comentarios de las principales observaciones.

Se aplicará la teoría de portafolios eficientes para la elaboración de una cartera de inversión con seis valores bursátiles, correspondientes a empresas de diferentes sectores registradas en el índice Standard and Poor 500 (S&P 500).

En el siguiente entrenamiento se utilizarán las herramientas disponibles en R para aplicar métodos e implementar el aprendizaje automático con el fin de predecir resultados futuros en un conjunto de datos basados en su histórico. El objetivo será construir un modelo básico de Machine Learning para predecir valores futuros utilizando las paqueterías de aprendizaje automático.

Este entrenamiento evaluó la volatilidad y el Valor en Riesgo (VaR) de los retornos diarios de Bitcoins mediante la realización de un estudio comparativo en el desempeño del pronóstico de modelos GARCH simétricos y asimétricos basados en tres distribuciones de error diferentes, durante el período enero-2014 a enero-2020.

Librería TSstudio (Versión 0.1.6) para realizar exploración de datos y elaborar pronósticos a través de los modelos ARIMA, SARIMA, ETS y TSLM. Material de apoyo para los talleres online de Time Series and Forecasting.

Taller #2 Machine Learning, en el cual se realizó un modelo de aprendizaje automático para un pronóstico de seis meses. Este tipo de modelos son utilizados en grandes cadenas de minoristas, para cadenas de suministro y en logística avanzada para realizar pronósticos que en muchos casos superan los modelos de series de tiempo convencionales.

Taller de introducción al análisis y pronóstico de series de tiempo aplicado a la empresa. Duración aproximada 2,5 horas. Incluye sintaxis de modelos.

Resumen de la modelización Garch y Valor en Riesgo (VaR) del Bitcoin durante el período 2014-2020. Incluye gráfico interactivo de actualización dinámica en línea.

Código para gráficos de dispersión utilizando la librería de gráficos avanzados plotly.

Pruebas de código para gráficos dinámicos y su aplicación en series temporales.

Modelo multivariante para el análisis macroeconómico de la inflación monetaria en Venezuela período 2015-2019. Análisis técnico realizado con las series históricas de cada variable (INPC, Base Monetaria, Tipo de Cambio) llevadas a números índice (Base 100 -2015-) y con aplicación logarítmica.

Modelo de exploración de datos y análisis de la volatilidad del Bitcoin a través del índice S&P 500, y estudio de un modelo VaR en lenguaje R. Como parte de las estrategias financieras del período 2020-2021. Directv-Venezuela.