MODELO DE PREDICCIÓN DEL PRECIO
DE BITCOIN MEDIANTE EL USO DE REDES
BAYESIANAS Y SIMULACIÓN DE MONTECARLO
BITCOIN PRICE PREDICTION MODEL USING BAYESIAN
NETWORK AND MONTE CARLO SIMULATION
Germán Francisco Villa Olmedo
Universidad La Salle Morelia, México
pág. 8422
DOI: https://doi.org/10.37811/cl_rcm.v9i2.17575
Modelo de Predicción del Precio de Bitcoin Mediante el Uso de Redes
Bayesianas y Simulación de Montecarlo
Germán Francisco Villa Olmedo1
germanfranciscov@yahoo.es
https://orcid.org/0009-0009-4148-4957
Universidad La Salle Morelia
México
RESUMEN
Se busca diseñar un modelo para la predicción del precio de Bitcoin través del tiempo, basado en una
red bayesiana y la simulación de Montecarlo. Bitcoin es un medio de pago electrónico que permite
transacciones irreversibles, persona a persona. Su precio varía por factores políticos, económicos, etc.;
mismos que, organizados en una Red Bayesiana e iterados en una Simulación de Montecarlo, pueden
predecir el precio. Se eligió un enfoque cuantitativo, una investigación predictiva, bibliográfica, con
método deductivo, de muestra se tomó el precio de 5 189 días; se realizaron 10 000 iteraciones. Se
validó con expertos. Se analizó las variables más importantes mediante el análisis PESTEL,
obteniéndose que factores como el apoyo de USA, apoyo de China, la especulación, el uso de bitcoin
por la población, son muy importantes en la determinación del precio del activo. Se obtuvo un modelo
con el potencial de predecir el precio de Bitcoin y de ser perfeccionado continuamente y puede
calibrarse en tiempo real mediante RSS FEED y lectores de información. Se obtuvo un modelo que se
considera teóricamente válido, la red debe ser actualizada para que siga aprendiendo los valores de
probabilidad y la estructura.
Palabras Clave: bitcoin, red bayesiana, simulación de Montecarlo, precio, predicción
1 Autor principal
Correspondencia: germanfranciscov@yahoo.es
DOI: https://doi.org/10.37811/cl_rcm.v9i2.17575
Modelo de Predicción del Precio de Bitcoin Mediante el Uso de Redes
Bayesianas y Simulación de Montecarlo
Germán Francisco Villa Olmedo1
germanfranciscov@yahoo.es
https://orcid.org/0009-0009-4148-4957
Universidad La Salle Morelia
México
RESUMEN
Se busca diseñar un modelo para la predicción del precio de Bitcoin través del tiempo, basado en una
red bayesiana y la simulación de Montecarlo. Bitcoin es un medio de pago electrónico que permite
transacciones irreversibles, persona a persona. Su precio varía por factores políticos, económicos, etc.;
mismos que, organizados en una Red Bayesiana e iterados en una Simulación de Montecarlo, pueden
predecir el precio. Se eligió un enfoque cuantitativo, una investigación predictiva, bibliográfica, con
método deductivo, de muestra se tomó el precio de 5 189 días; se realizaron 10 000 iteraciones. Se
validó con expertos. Se analizó las variables más importantes mediante el análisis PESTEL,
obteniéndose que factores como el apoyo de USA, apoyo de China, la especulación, el uso de bitcoin
por la población, son muy importantes en la determinación del precio del activo. Se obtuvo un modelo
con el potencial de predecir el precio de Bitcoin y de ser perfeccionado continuamente y puede
calibrarse en tiempo real mediante RSS FEED y lectores de información. Se obtuvo un modelo que se
considera teóricamente válido, la red debe ser actualizada para que siga aprendiendo los valores de
probabilidad y la estructura.
Palabras Clave: bitcoin, red bayesiana, simulación de Montecarlo, precio, predicción
1 Autor principal
Correspondencia: germanfranciscov@yahoo.es
pág. 8423
Bitcoin Price Prediction Model Using Bayesian Network and Monte Carlo
Simulation
ABSTRACT
The objective is to design a model for predicting the price of Bitcoin over time, based on a Bayesian
network and Monte Carlo simulation. Bitcoin is an electronic means of payment that allows irreversible
person-to-person transactions. Its price varies depending on political, economic, and other factors; these
factors, organized in a Bayesian network and iterated in a Monte Carlo simulation, can predict the price.
A quantitative approach was chosen, predictive bibliographic research using a deductive method. The
sample included the price of 5,189 days; 10,000 iterations were performed. It was validated with
experts. The most important variables were analyzed using PESTEL analysis, finding that factors such
as US support, Chinese support, speculation, and the use of Bitcoin by the population are very important
in determining the asset's price. The resulting model has the potential to predict the price of Bitcoin and
can be continuously refined. It can be calibrated in real time using RSS feeds and news readers. Once a
model is obtained that is considered theoretically valid, the network must be updated so that it continues
to learn the probability values and structure.
Keywords: bitcoin, bayesian network, Monte Carlo simulation, price, prediction
Artículo recibido 05 abril 2025
Aceptado para publicación: 28 abril 2025
Bitcoin Price Prediction Model Using Bayesian Network and Monte Carlo
Simulation
ABSTRACT
The objective is to design a model for predicting the price of Bitcoin over time, based on a Bayesian
network and Monte Carlo simulation. Bitcoin is an electronic means of payment that allows irreversible
person-to-person transactions. Its price varies depending on political, economic, and other factors; these
factors, organized in a Bayesian network and iterated in a Monte Carlo simulation, can predict the price.
A quantitative approach was chosen, predictive bibliographic research using a deductive method. The
sample included the price of 5,189 days; 10,000 iterations were performed. It was validated with
experts. The most important variables were analyzed using PESTEL analysis, finding that factors such
as US support, Chinese support, speculation, and the use of Bitcoin by the population are very important
in determining the asset's price. The resulting model has the potential to predict the price of Bitcoin and
can be continuously refined. It can be calibrated in real time using RSS feeds and news readers. Once a
model is obtained that is considered theoretically valid, the network must be updated so that it continues
to learn the probability values and structure.
Keywords: bitcoin, bayesian network, Monte Carlo simulation, price, prediction
Artículo recibido 05 abril 2025
Aceptado para publicación: 28 abril 2025
pág. 8424
INTRODUCCIÓN
En la presente investigación se busca diseñar un modelo matemático que prediga el precio de Bitcoin a
través del tiempo, basado en una red bayesiana y la simulación de Montecarlo. Esto es posible debido
a algunas características propias del activo.
Formulación del problema
Bitcoin surgió de la necesidad de un medio de pago electrónico que permita transacciones irreversibles,
persona a persona, sin que dependan de instituciones de confianza (Nakamoto, 2008). Su creador utilizó
el pseudónimo de Satoshi Nakamoto y su identidad real es desconocida (US Sentencing Commission,
2018). Bitcoin, en el quid de su existencia representa la idea de libertad, seguridad, descentralización y
emancipación del sistema de emisión y control monetarios existente previo a su creación. Esto es lo que
le ha generado éxito. Posterior a BTC surgen otras criptomonedas que intentan imitar su éxito, pero que
tienen características diferentes; algunas son susceptibles de manipulación que las hace precarias.
BTC tiene características que la hacen especial como moneda. En primer lugar, es una moneda finita,
lo que la hace inmune a la inflación (Nakamoto, 2008). Su valor no caerá debido a emisión exagerada,
como en el caso de monedas devaluadas por su gobierno. Mientras la criptomoneda sea viable para
transacciones: su valor aumentará. Hay una tendencia al alza. En segundo lugar, es de uso muy
extendido y popular como medio de intercambio de valor electrónico, su adopción ha sido paulatina y
firme desde el año 2010 hasta el 2024. Aunque la regulación gubernamental ha variado de región a
región, la aceptación del público en general se ha ido consolidando.
En tercer lugar, Bitcoin es un sistema peer to peer verificado por una proof of work en cadena de bloques
bajo el criterio de mejor esfuerzo y respaldado por potencia computacional global. No es emitido por
un banco central ni depende de una institución como tercero de confianza que avale las transacciones
irreversibles. Su emisión no puede ser controlada por ningún gobierno. Es una moneda libre en su origen
(Nakamoto, 2008). No puede ser manipulada, salvo que el poder computacional atacante sea mayor al
honesto; y la posibilidad de que la cadena sea susceptible a este tipo de ataques se hace diminuta con
cada nuevo bloque minado. En cuarto lugar, Bitcoin es trazable. Su debilidad radica en que las
transacciones son públicas; la privacidad se basa en la no revelación de la clave pública, misma que
INTRODUCCIÓN
En la presente investigación se busca diseñar un modelo matemático que prediga el precio de Bitcoin a
través del tiempo, basado en una red bayesiana y la simulación de Montecarlo. Esto es posible debido
a algunas características propias del activo.
Formulación del problema
Bitcoin surgió de la necesidad de un medio de pago electrónico que permita transacciones irreversibles,
persona a persona, sin que dependan de instituciones de confianza (Nakamoto, 2008). Su creador utilizó
el pseudónimo de Satoshi Nakamoto y su identidad real es desconocida (US Sentencing Commission,
2018). Bitcoin, en el quid de su existencia representa la idea de libertad, seguridad, descentralización y
emancipación del sistema de emisión y control monetarios existente previo a su creación. Esto es lo que
le ha generado éxito. Posterior a BTC surgen otras criptomonedas que intentan imitar su éxito, pero que
tienen características diferentes; algunas son susceptibles de manipulación que las hace precarias.
BTC tiene características que la hacen especial como moneda. En primer lugar, es una moneda finita,
lo que la hace inmune a la inflación (Nakamoto, 2008). Su valor no caerá debido a emisión exagerada,
como en el caso de monedas devaluadas por su gobierno. Mientras la criptomoneda sea viable para
transacciones: su valor aumentará. Hay una tendencia al alza. En segundo lugar, es de uso muy
extendido y popular como medio de intercambio de valor electrónico, su adopción ha sido paulatina y
firme desde el año 2010 hasta el 2024. Aunque la regulación gubernamental ha variado de región a
región, la aceptación del público en general se ha ido consolidando.
En tercer lugar, Bitcoin es un sistema peer to peer verificado por una proof of work en cadena de bloques
bajo el criterio de mejor esfuerzo y respaldado por potencia computacional global. No es emitido por
un banco central ni depende de una institución como tercero de confianza que avale las transacciones
irreversibles. Su emisión no puede ser controlada por ningún gobierno. Es una moneda libre en su origen
(Nakamoto, 2008). No puede ser manipulada, salvo que el poder computacional atacante sea mayor al
honesto; y la posibilidad de que la cadena sea susceptible a este tipo de ataques se hace diminuta con
cada nuevo bloque minado. En cuarto lugar, Bitcoin es trazable. Su debilidad radica en que las
transacciones son públicas; la privacidad se basa en la no revelación de la clave pública, misma que
pág. 8425
puede ser investigada. Aunque en el pasado se la consideró como una criptomoneda para lavado de
activos, hoy se pueden rastrear las operaciones (Chainalysis. s.f. y Lord Draugr, 2024).
Entonces se requiere saber el precio que alcanzará a corto, mediano y largo plazo. Y cuál es el patrón
de su crecimiento exponencial. BTC ha alcanzado un nivel de importancia global que su precio es
afectado principalmente eventos Legales, Políticos, Económicos, Sociales, Tecnológicos, etc.
Las características mencionadas hacen a Bitcoin más estable que otras monedas y permite una mejor
predicción. Se requiere el uso de herramientas económicas, matemáticas, estadísticas y computacionales
y calibrarlas correctamente, para hallar una respuesta precisa. Una predicción así ayudaría a las personas
a tomar mejores decisiones sobre inversión: se sabría su valor a largo plazo para holdeo; y se
comprendería la dirección e intensidad de su volatilidad en caso de eventos globales que la afecten, a
fin de generar ganancias mediante compraventa e inversiones en corto. Entonces surge una interrogante.
¿Cómo diseñar un modelo matemático que prediga el precio de Bitcoin a través del tiempo, basado en
una red bayesiana y la simulación de Montecarlo?
Relevancia de la investigación
Resulta económicamente importante, en la actualidad, el valor de Bitcoin (BTC) con relación al dólar.
En esta criptomoneda se apoya un sistema económico complejo y un conjunto de activos digitales. Las
criptomonedas basadas en blockchain como Ethereum, Solana, Dogecoin, Cardano, etc., dependen del
precio de Bitcoin y se ven afectados directamente por éste. La capitalización de mercado de BTC al 29
de septiembre de 2024 fue de $1 258 271 314 129.20 dólares americanos, su precio de $ 63691.60
dólares americanos (Investing.com, 2024); con un suministro de monedas de 19.755.687 que ya se
encuentran minadas, de un total posible de 21 millones de BTC (CoinGecko, 2024) que serán minadas
para el año 2140 (Ig.com, 2024). Se han realizado numerosas predicciones sobre el precio de Bitcoin:
unas exageradas, otras conservadoras. John McAfee señalo que tendría un precio de 1 millón de dólares
para finales del 2020 (Es.dailyforex.com, 2024). Tone Vays predijo menos de 6 mil dólares en 2020;
mientras que Tim Draper indicó que el precio de Bitcoin alcanzaría los 250 mil dólares para 2023
(Iproup.com, 2024), siendo estas opiniones no técnicas. Por otro lado, el principal mercado de
criptomonedas Binance predijo para 2030 un precio de 80 mil dólares, cifra que también parece irreal,
pues no coincide con la tendencia alcista generalizada que BTC ha tenido desde su surgimiento; misma
puede ser investigada. Aunque en el pasado se la consideró como una criptomoneda para lavado de
activos, hoy se pueden rastrear las operaciones (Chainalysis. s.f. y Lord Draugr, 2024).
Entonces se requiere saber el precio que alcanzará a corto, mediano y largo plazo. Y cuál es el patrón
de su crecimiento exponencial. BTC ha alcanzado un nivel de importancia global que su precio es
afectado principalmente eventos Legales, Políticos, Económicos, Sociales, Tecnológicos, etc.
Las características mencionadas hacen a Bitcoin más estable que otras monedas y permite una mejor
predicción. Se requiere el uso de herramientas económicas, matemáticas, estadísticas y computacionales
y calibrarlas correctamente, para hallar una respuesta precisa. Una predicción así ayudaría a las personas
a tomar mejores decisiones sobre inversión: se sabría su valor a largo plazo para holdeo; y se
comprendería la dirección e intensidad de su volatilidad en caso de eventos globales que la afecten, a
fin de generar ganancias mediante compraventa e inversiones en corto. Entonces surge una interrogante.
¿Cómo diseñar un modelo matemático que prediga el precio de Bitcoin a través del tiempo, basado en
una red bayesiana y la simulación de Montecarlo?
Relevancia de la investigación
Resulta económicamente importante, en la actualidad, el valor de Bitcoin (BTC) con relación al dólar.
En esta criptomoneda se apoya un sistema económico complejo y un conjunto de activos digitales. Las
criptomonedas basadas en blockchain como Ethereum, Solana, Dogecoin, Cardano, etc., dependen del
precio de Bitcoin y se ven afectados directamente por éste. La capitalización de mercado de BTC al 29
de septiembre de 2024 fue de $1 258 271 314 129.20 dólares americanos, su precio de $ 63691.60
dólares americanos (Investing.com, 2024); con un suministro de monedas de 19.755.687 que ya se
encuentran minadas, de un total posible de 21 millones de BTC (CoinGecko, 2024) que serán minadas
para el año 2140 (Ig.com, 2024). Se han realizado numerosas predicciones sobre el precio de Bitcoin:
unas exageradas, otras conservadoras. John McAfee señalo que tendría un precio de 1 millón de dólares
para finales del 2020 (Es.dailyforex.com, 2024). Tone Vays predijo menos de 6 mil dólares en 2020;
mientras que Tim Draper indicó que el precio de Bitcoin alcanzaría los 250 mil dólares para 2023
(Iproup.com, 2024), siendo estas opiniones no técnicas. Por otro lado, el principal mercado de
criptomonedas Binance predijo para 2030 un precio de 80 mil dólares, cifra que también parece irreal,
pues no coincide con la tendencia alcista generalizada que BTC ha tenido desde su surgimiento; misma
pág. 8426
cifra que se alcanzó el 10 de noviembre de 2024. Para 2030 de igual manera Changelly promociona un
valor de 786 mil dólares (Maldonado, 2024); mientras que LiteFinance da un rango muy amplio entre
los 117 mil dólares y los 765 mil dólares.
El tema es de importancia actual en la economía mundial. Por tanto, se requiere un modelo que permita
predecir cambios en el precio, de acuerdo a los acontecimientos mundiales más relevantes.
En el presente estudio se emplea un enfoque cuantitativo para dirigirse a un resultado numérico claro,
se emplea la investigación bibliográfica para la revisión de la literatura y datos contextuales. El tipo de
investigación deductivo permite que a través de premisas generales se obtengan resultados particulares.
Para la construcción del modelo se recurre a redes bayesianas mediante la validación de expertos y
simulación de Montecarlo. Y como datos se toma una muestra del precio de bitcoin desde su surgimiento
hasta finales de septiembre del año 2024. Se innova en el cálculo, puesto que como premisa la red
bayesiana debe partir de un análisis PESTEL, que resulta el método más sólido para comprender y
predecir la evolución del precio de BTC en el mercado económico mundial. Al tener una perspectiva
clara de cuál será el precio de Bitcoin a lo largo del tiempo se tomarán mejores decisiones sobre
inversión, holdeo, minado y otros aspectos relacionados al mercado cripto.
MARCO TEÓRICO
Bitcoin juega un papel muy importante en el mercado financiero actual. “Es la primera red financiera
criptográfica descentralizada del mundo, donde su valor ha pasado de cero a miles de millones de
dólares” (Álvarez-Díaz, 2019, p. 140). Esta criptomoneda tiene una relación fuete con las demás
criptomonedas del sistema basado en blockchain; una correlación lineal no tan fuerte con índices
bursátiles y no tiene correlación con materias primas (Cortez y Tulcanaza, 2018). Al ser una innovación,
el derecho positivo se encuentra tras de ella y a la espera de poder entenderla y regularla a futuro
(Barroilhet Díez, 2019). Aún no se ha consolidado su uso y parece que, la adopción de la misma a nivel
mundial no es reversible.
Los principales factores que influyen en el precio de BTC se los puede estudiar mediante el análisis
PESTEL. Este análisis es una herramienta que “permite a las organizaciones descubrir y evaluar los
factores que pueden afectar un negocio en el presente y el futuro. PESTEL es un acrónimo de Político,
Económico Social, Tecnológico, Ecológico y Legal” (Amador-Mercado, 2022, p. 1). Se sugiere,
cifra que se alcanzó el 10 de noviembre de 2024. Para 2030 de igual manera Changelly promociona un
valor de 786 mil dólares (Maldonado, 2024); mientras que LiteFinance da un rango muy amplio entre
los 117 mil dólares y los 765 mil dólares.
El tema es de importancia actual en la economía mundial. Por tanto, se requiere un modelo que permita
predecir cambios en el precio, de acuerdo a los acontecimientos mundiales más relevantes.
En el presente estudio se emplea un enfoque cuantitativo para dirigirse a un resultado numérico claro,
se emplea la investigación bibliográfica para la revisión de la literatura y datos contextuales. El tipo de
investigación deductivo permite que a través de premisas generales se obtengan resultados particulares.
Para la construcción del modelo se recurre a redes bayesianas mediante la validación de expertos y
simulación de Montecarlo. Y como datos se toma una muestra del precio de bitcoin desde su surgimiento
hasta finales de septiembre del año 2024. Se innova en el cálculo, puesto que como premisa la red
bayesiana debe partir de un análisis PESTEL, que resulta el método más sólido para comprender y
predecir la evolución del precio de BTC en el mercado económico mundial. Al tener una perspectiva
clara de cuál será el precio de Bitcoin a lo largo del tiempo se tomarán mejores decisiones sobre
inversión, holdeo, minado y otros aspectos relacionados al mercado cripto.
MARCO TEÓRICO
Bitcoin juega un papel muy importante en el mercado financiero actual. “Es la primera red financiera
criptográfica descentralizada del mundo, donde su valor ha pasado de cero a miles de millones de
dólares” (Álvarez-Díaz, 2019, p. 140). Esta criptomoneda tiene una relación fuete con las demás
criptomonedas del sistema basado en blockchain; una correlación lineal no tan fuerte con índices
bursátiles y no tiene correlación con materias primas (Cortez y Tulcanaza, 2018). Al ser una innovación,
el derecho positivo se encuentra tras de ella y a la espera de poder entenderla y regularla a futuro
(Barroilhet Díez, 2019). Aún no se ha consolidado su uso y parece que, la adopción de la misma a nivel
mundial no es reversible.
Los principales factores que influyen en el precio de BTC se los puede estudiar mediante el análisis
PESTEL. Este análisis es una herramienta que “permite a las organizaciones descubrir y evaluar los
factores que pueden afectar un negocio en el presente y el futuro. PESTEL es un acrónimo de Político,
Económico Social, Tecnológico, Ecológico y Legal” (Amador-Mercado, 2022, p. 1). Se sugiere,
pág. 8427
algunos componentes de los factores PESTEL, como variables de una Red Bayesiana, siendo estos,
aspectos importantes, pero no excluyentes. Según Macías et al. (2021) el análisis PESTEL “es una
herramienta de planeación estratégica que sirve para identificar el entorno … de una forma ordenada y
esquemática … con la finalidad de crear estrategias, aprovechar las oportunidades, o actuar ante
posibles riesgos” ( p. 5). En este caso, para crear un modelo predictivo adecuado, se debe recurrir a este
análisis que estudia diferentes ámbitos.
1. En el ámbito político: el apoyo que los gobiernos que las principales economías del mundo (Estados
Unidos, China, Unión Europea) le den bitcoin; y la adopción de BTC, en algunos países, como moneda
de curso legal. 2. En economía: la estabilidad económica mundial, la capitalización de mercado, la
especulación, la oferta y demanda; su relación con otros índices financieros; su inmunidad a la inflación;
los incentivos del minado; así como el comportamiento de otras criptomonedas como Ethereum, Shiba
Inu y activos digitales basados en blockchain como los NFT. 3. En el ámbito social: el uso de
criptomonedas por el público en general, la aceptación de estas como forma de pago por parte de los
comercios e incluso la actividad de movimientos a favor de la liberalización de la economía en internet.
4. En la tecnología: la seguridad de las transacciones, la implementación en soluciones de comercio
electrónico, pasarelas de pago y garantías; el poder computacional requerido para el minado. 5. En el
ámbito ecológico: el costo energético del minado. 6. En lo legal: regulaciones de cada país y a nivel
regional, para normar el uso de criptomonedas, o su prohibición; así como todas las practicas
relacionadas en el ámbito financiero, penal, de lavado de activos, tributario, etc. Pueden existir otras
variables que afecten el precio, mismas que serían agrupados en los factores establecidos.
Como conceptos fundamentales de esta investigación están las Redes Bayesianas y Simulación de
Montecarlo. Las Redes Bayesianas
modelan un fenómeno mediante un conjunto de variables y las relaciones de dependencia
entre ellas. Dado este modelo, se puede hacer inferencia bayesiana; es decir, estimar la
probabilidad posterior de las variables no conocidas, en base a las variables conocidas.
Estos modelos pueden tener diversas aplicaciones, para clasificación, predicción,
diagnóstico, etc. (Sucar, s.f., p. 1)
algunos componentes de los factores PESTEL, como variables de una Red Bayesiana, siendo estos,
aspectos importantes, pero no excluyentes. Según Macías et al. (2021) el análisis PESTEL “es una
herramienta de planeación estratégica que sirve para identificar el entorno … de una forma ordenada y
esquemática … con la finalidad de crear estrategias, aprovechar las oportunidades, o actuar ante
posibles riesgos” ( p. 5). En este caso, para crear un modelo predictivo adecuado, se debe recurrir a este
análisis que estudia diferentes ámbitos.
1. En el ámbito político: el apoyo que los gobiernos que las principales economías del mundo (Estados
Unidos, China, Unión Europea) le den bitcoin; y la adopción de BTC, en algunos países, como moneda
de curso legal. 2. En economía: la estabilidad económica mundial, la capitalización de mercado, la
especulación, la oferta y demanda; su relación con otros índices financieros; su inmunidad a la inflación;
los incentivos del minado; así como el comportamiento de otras criptomonedas como Ethereum, Shiba
Inu y activos digitales basados en blockchain como los NFT. 3. En el ámbito social: el uso de
criptomonedas por el público en general, la aceptación de estas como forma de pago por parte de los
comercios e incluso la actividad de movimientos a favor de la liberalización de la economía en internet.
4. En la tecnología: la seguridad de las transacciones, la implementación en soluciones de comercio
electrónico, pasarelas de pago y garantías; el poder computacional requerido para el minado. 5. En el
ámbito ecológico: el costo energético del minado. 6. En lo legal: regulaciones de cada país y a nivel
regional, para normar el uso de criptomonedas, o su prohibición; así como todas las practicas
relacionadas en el ámbito financiero, penal, de lavado de activos, tributario, etc. Pueden existir otras
variables que afecten el precio, mismas que serían agrupados en los factores establecidos.
Como conceptos fundamentales de esta investigación están las Redes Bayesianas y Simulación de
Montecarlo. Las Redes Bayesianas
modelan un fenómeno mediante un conjunto de variables y las relaciones de dependencia
entre ellas. Dado este modelo, se puede hacer inferencia bayesiana; es decir, estimar la
probabilidad posterior de las variables no conocidas, en base a las variables conocidas.
Estos modelos pueden tener diversas aplicaciones, para clasificación, predicción,
diagnóstico, etc. (Sucar, s.f., p. 1)
pág. 8428
Se corrobora que sirven para predicciones, para tomar decisiones y para obtener valores sobre variables
desconocidas a través de su relación con las que se conocen. “Son herramientas de modelado estadístico
destinadas a representar un conjunto de incertidumbres relacionadas. Su estructura gráfica y su
fundamento probabilístico las hace apropiadas para modelar sistemas multivariados orientados a la
clasificación, el diagnóstico y la toma de decisiones” ( Sucar, s.f., p. 1). Tiene una estructura gráfica
fundamental que presenta nodos que influyen unos en otros para la construcción de un modelo. Usar
Redes Bayesianas para la predicción de precios de activos es una metodología novedosa que ofrece
ventajas sobre métodos tradicionales, puesto que permite diagramar relaciones causales y las influencias
entre las variables (Ruiz, 2012). Los resultados y su acierto dependerán del cuidado con que se diseñe
la red y con que se establezcan las relaciones entre las variables.
Las Redes Bayesianas constituyen un tipo de Modelo de Redes Probabilísticas … Los
nodos de una Red Bayesiana representan variables aleatorias que se proponen como
relevantes en el ámbito del problema. A su vez, las aristas o enlaces representan
dependencias, correlacionales o causales, existentes … no todas las relaciones de una
determinada Red Bayesiana tienen igual intensidad y cada una de ellas queda cuantificada
mediante el concepto de probabilidad condicional. (Arbulo, et al., 2009, p. 1695)
Los factores del análisis PESTLE descritos previamente no tienen igual intensidad en su influencia
sobre el precio. El mismo que dependerá del conjunto de factores y su relación con la economía basada
en criptomonedas. Para la construcción de las Redes Bayesianas se considera lo expuesto por Sucar
citado anteriormente. Los datos y la estructura de la red se pueden obtener mediante conocimiento
experto, así como mediante datos, de los que el modelo aprenderá. Mediante una representación gráfica
en red, de variables o nodos y de las dependencias o aristas, se realiza razonamiento probabilístico
(Sucar, s.f.). La construcción de una red bayesiana, se fundamenta en la teoría de grafos.
Una metodología para este propósito la propone Dávila et al. (2015) con cinco pasos: 1.- Definir el
dominio del problema u objetivo de la red. 2.- Identificar variables importantes. 3.- Realizar la
representación gráfica de las dependencias. 4.- Validar el modelo con expertos. 5.- Cuantificar la red
mediante expertos, crear escenarios y mantener la red (p. 184).
Se corrobora que sirven para predicciones, para tomar decisiones y para obtener valores sobre variables
desconocidas a través de su relación con las que se conocen. “Son herramientas de modelado estadístico
destinadas a representar un conjunto de incertidumbres relacionadas. Su estructura gráfica y su
fundamento probabilístico las hace apropiadas para modelar sistemas multivariados orientados a la
clasificación, el diagnóstico y la toma de decisiones” ( Sucar, s.f., p. 1). Tiene una estructura gráfica
fundamental que presenta nodos que influyen unos en otros para la construcción de un modelo. Usar
Redes Bayesianas para la predicción de precios de activos es una metodología novedosa que ofrece
ventajas sobre métodos tradicionales, puesto que permite diagramar relaciones causales y las influencias
entre las variables (Ruiz, 2012). Los resultados y su acierto dependerán del cuidado con que se diseñe
la red y con que se establezcan las relaciones entre las variables.
Las Redes Bayesianas constituyen un tipo de Modelo de Redes Probabilísticas … Los
nodos de una Red Bayesiana representan variables aleatorias que se proponen como
relevantes en el ámbito del problema. A su vez, las aristas o enlaces representan
dependencias, correlacionales o causales, existentes … no todas las relaciones de una
determinada Red Bayesiana tienen igual intensidad y cada una de ellas queda cuantificada
mediante el concepto de probabilidad condicional. (Arbulo, et al., 2009, p. 1695)
Los factores del análisis PESTLE descritos previamente no tienen igual intensidad en su influencia
sobre el precio. El mismo que dependerá del conjunto de factores y su relación con la economía basada
en criptomonedas. Para la construcción de las Redes Bayesianas se considera lo expuesto por Sucar
citado anteriormente. Los datos y la estructura de la red se pueden obtener mediante conocimiento
experto, así como mediante datos, de los que el modelo aprenderá. Mediante una representación gráfica
en red, de variables o nodos y de las dependencias o aristas, se realiza razonamiento probabilístico
(Sucar, s.f.). La construcción de una red bayesiana, se fundamenta en la teoría de grafos.
Una metodología para este propósito la propone Dávila et al. (2015) con cinco pasos: 1.- Definir el
dominio del problema u objetivo de la red. 2.- Identificar variables importantes. 3.- Realizar la
representación gráfica de las dependencias. 4.- Validar el modelo con expertos. 5.- Cuantificar la red
mediante expertos, crear escenarios y mantener la red (p. 184).
pág. 8429
Es necesario considerar que habrá nodos sobre los cuales ya se tenga la información precisa debido a
estudios anteriores o datos históricos y donde la opinión de expertos pasará a segundo plano para tener
un modelo refinado. Además, una vez iniciada la propagación y alimentada la red con nuevos datos se
tendrá una distribución a posteriori.
Esto serán combinado con la simulación de Montecarlo. Que, es un “método de resolución numérica
donde se modelan las relaciones e interacciones de distintos objetos y su entorno, mediante la
generación aleatoria de estas interacciones. Mientras mayor sea la repetición de pruebas se obtiene un
resultado … con mayor precisión” (Vargas et al., 2020, p. 26). Es decir que mediante un gran número
de iteraciones se obtiene el resultado deseado. “el método Monte Carlo es una simulación probabilística
que utiliza herramientas matemáticas para estimar los posibles resultados y caminos de un evento con
grado de incertidumbre … fue inventado por John von Neumann y Stanislaw Ulam” (Agudelo A. et al.,
2022, p. 15). Entonces, se ejecutarán un gran número de iteraciones para imitar los resultados
probabilísticos de la vida real a través de apoyo computacional.
Investigaciones previas
Se han realizado investigaciones previas, específicamente, sobre la evolución y perspectivas de Bitcoin.
En ellas se resalta que es una red descentralizada y que la moneda ha llegado a apreciarse debido a su
aspecto innovador (Álvarez-Diaz, 2019). El precio se lo ha tratado de proyectar: mediante Tweets,
empleado el método Long Short Term Memory, concluyendo que la percepción de las personas y sus
expectativas no son muy influyentes (Regal et al., 2019). También se ha buscado estimar el precio
mediante Regresión Lineal Múltiple y Redes Neuronales, correlacionando el precio de Bitcoin a varios
índices de los mercados financieros (Díaz López et al., 2023). Sin embargo, es preciso recordar que
estos índices pueden tener una influencia, pero no crecen al ritmo que lo hace Bitcoin.
Existen otros modelos de predicción del precio ya establecidos, unos públicos en artículos científicos y
otros privados que utilizan los mercados de criptomonedas y mercados financieros para la toma de
decisiones. Entre ellos están el de Long Short Term Memory (Regal et al., 2019) y el de Regresión Lineal
Múltiple y Redes Neuronales (Díaz-López et al., 2023) ya señalados en la introducción. Sin embargo,
se los puede considerar incompletos, por lo que se recurre a la formulación de un modelo propio.
Es necesario considerar que habrá nodos sobre los cuales ya se tenga la información precisa debido a
estudios anteriores o datos históricos y donde la opinión de expertos pasará a segundo plano para tener
un modelo refinado. Además, una vez iniciada la propagación y alimentada la red con nuevos datos se
tendrá una distribución a posteriori.
Esto serán combinado con la simulación de Montecarlo. Que, es un “método de resolución numérica
donde se modelan las relaciones e interacciones de distintos objetos y su entorno, mediante la
generación aleatoria de estas interacciones. Mientras mayor sea la repetición de pruebas se obtiene un
resultado … con mayor precisión” (Vargas et al., 2020, p. 26). Es decir que mediante un gran número
de iteraciones se obtiene el resultado deseado. “el método Monte Carlo es una simulación probabilística
que utiliza herramientas matemáticas para estimar los posibles resultados y caminos de un evento con
grado de incertidumbre … fue inventado por John von Neumann y Stanislaw Ulam” (Agudelo A. et al.,
2022, p. 15). Entonces, se ejecutarán un gran número de iteraciones para imitar los resultados
probabilísticos de la vida real a través de apoyo computacional.
Investigaciones previas
Se han realizado investigaciones previas, específicamente, sobre la evolución y perspectivas de Bitcoin.
En ellas se resalta que es una red descentralizada y que la moneda ha llegado a apreciarse debido a su
aspecto innovador (Álvarez-Diaz, 2019). El precio se lo ha tratado de proyectar: mediante Tweets,
empleado el método Long Short Term Memory, concluyendo que la percepción de las personas y sus
expectativas no son muy influyentes (Regal et al., 2019). También se ha buscado estimar el precio
mediante Regresión Lineal Múltiple y Redes Neuronales, correlacionando el precio de Bitcoin a varios
índices de los mercados financieros (Díaz López et al., 2023). Sin embargo, es preciso recordar que
estos índices pueden tener una influencia, pero no crecen al ritmo que lo hace Bitcoin.
Existen otros modelos de predicción del precio ya establecidos, unos públicos en artículos científicos y
otros privados que utilizan los mercados de criptomonedas y mercados financieros para la toma de
decisiones. Entre ellos están el de Long Short Term Memory (Regal et al., 2019) y el de Regresión Lineal
Múltiple y Redes Neuronales (Díaz-López et al., 2023) ya señalados en la introducción. Sin embargo,
se los puede considerar incompletos, por lo que se recurre a la formulación de un modelo propio.
pág. 8430
Antecedentes históricos
Bitcoin nace en 2008 (Nakamoto, 2008). En muchos países hay una amplia aceptación de ella como
medio de pago en establecimientos, se instalan casas de cambio y cajeros automáticos que operan con
Bitcoin, además en el comercio electrónico el pago se realiza sin intermediarios y sin tasas por servicio,
por lo que el pago llega íntegro, es seguro e irreversible (Ordóñez Sánchez, 2021). Al ser una moneda
respaldada en su uso el precio aumenta constantemente, y seguirá aumentando, aunque hay quienes la
consideran finita en el tiempo.
En gran parte del sistema económico-financiero, BTC es considerada una mercancía y funciona como
tal, legalmente como pago en especie. En la década pasada tuvo mucha volatilidad y se pretendió
desacreditar a las criptomonedas, señalándolas como un medio de pago para actividades ilícitas
(Andreu, 2018). Los gobiernos e instituciones monetarias temen a las criptomonedas, pues en caso de
sustitución monetaria se enfrentarían a la perdida de señoreaje. En Estados Unidos y la Unión Europea
la regulación avanza hacia considerarla un activo (Andreu, 2018). Oficialmente en Estados Unidos es
un commodity (Hernández, 2015). Bitcoin como activo también es propensa a la especulación lo que ha
hecho fluctuar su precio constantemente como se observa en la tabla 1.
Tabla 1 Precio de Bitcoin a lo largo de los años.
Año Precio
2008 ninguno
2009 ninguno
2010 0.3
2011 5.3
2012 13.3
2013 815.9
2014 314.9
2015 434
2016 995.4
2017 13 444.9
2018 3 809.4
2019 7 199.8
2020 29 359.9
2021 47 738
2022 16 618.4
2023 44 183.4
2024 (septiembre) 63691.6
Nota. Datos tomados de Investing.com, 2024.
Antecedentes históricos
Bitcoin nace en 2008 (Nakamoto, 2008). En muchos países hay una amplia aceptación de ella como
medio de pago en establecimientos, se instalan casas de cambio y cajeros automáticos que operan con
Bitcoin, además en el comercio electrónico el pago se realiza sin intermediarios y sin tasas por servicio,
por lo que el pago llega íntegro, es seguro e irreversible (Ordóñez Sánchez, 2021). Al ser una moneda
respaldada en su uso el precio aumenta constantemente, y seguirá aumentando, aunque hay quienes la
consideran finita en el tiempo.
En gran parte del sistema económico-financiero, BTC es considerada una mercancía y funciona como
tal, legalmente como pago en especie. En la década pasada tuvo mucha volatilidad y se pretendió
desacreditar a las criptomonedas, señalándolas como un medio de pago para actividades ilícitas
(Andreu, 2018). Los gobiernos e instituciones monetarias temen a las criptomonedas, pues en caso de
sustitución monetaria se enfrentarían a la perdida de señoreaje. En Estados Unidos y la Unión Europea
la regulación avanza hacia considerarla un activo (Andreu, 2018). Oficialmente en Estados Unidos es
un commodity (Hernández, 2015). Bitcoin como activo también es propensa a la especulación lo que ha
hecho fluctuar su precio constantemente como se observa en la tabla 1.
Tabla 1 Precio de Bitcoin a lo largo de los años.
Año Precio
2008 ninguno
2009 ninguno
2010 0.3
2011 5.3
2012 13.3
2013 815.9
2014 314.9
2015 434
2016 995.4
2017 13 444.9
2018 3 809.4
2019 7 199.8
2020 29 359.9
2021 47 738
2022 16 618.4
2023 44 183.4
2024 (septiembre) 63691.6
Nota. Datos tomados de Investing.com, 2024.
pág. 8431
Sin embargo, la tabla de cierre anual no muestra de manera adecuada la fluctuación del precio de BTC.
La figura 1 lo muestra de manera más precisa. Además, el crecimiento del precio de Bitcoin tiene los
altibajos de una alta volatilidad como se observa en la figura 2.
Figura 1 Precio histórico de Bitcoin
Nota. Datos obtenidos de Investing.com, 2024.
Figura 2 Volatilidad histórica de Bitcoin con un periodo de 40 días
Nota. Datos obtenidos de Investing.com, 2024.
0
10000
20000
30000
40000
50000
60000
70000
80000
Precio de Bitcoin
0,00%
100,00%
200,00%
300,00%
400,00%
500,00%
600,00%
700,00%
Volatilidad Historica de Bitcoin (40 ruedas)
Sin embargo, la tabla de cierre anual no muestra de manera adecuada la fluctuación del precio de BTC.
La figura 1 lo muestra de manera más precisa. Además, el crecimiento del precio de Bitcoin tiene los
altibajos de una alta volatilidad como se observa en la figura 2.
Figura 1 Precio histórico de Bitcoin
Nota. Datos obtenidos de Investing.com, 2024.
Figura 2 Volatilidad histórica de Bitcoin con un periodo de 40 días
Nota. Datos obtenidos de Investing.com, 2024.
0
10000
20000
30000
40000
50000
60000
70000
80000
Precio de Bitcoin
0,00%
100,00%
200,00%
300,00%
400,00%
500,00%
600,00%
700,00%
Volatilidad Historica de Bitcoin (40 ruedas)
pág. 8432
Este comportamiento de la criptomoneda se explica por sucesos propios de su creación, de su paulatino
establecimiento como activo y, principalmente, debido a eventos políticos y económicos alrededor del
mundo. Entre los eventos más destacados que han afectado el comportamiento de Bitcoin, se señalan
los siguientes:
El 25 de abril de 2010 empieza a operar BitCoinMarket (Martínez, 2021); el 22 de mayo de 2010 se
adquieren dos pizzas en el mundo real por 10 000 bitcoin (BTC) (Merchant, 2013); a inicio de 2011
bitcoin alcanza la paridad con el dólar (Literak, 2011); el 11 de abril de 2013 hay una crisis financiera
de Chipre y Grecia (Andreu, 2018); en febrero de 2014 quiebra la plataforma Mt. Gox (Alonso, 2014);
en marzo de 2014 hay un informe falso sobre prohibición de BTC en China (Rizzo, 2014); en junio de
2016 se da un halving de BTC (Kaur, 2024); en octubre de 2016 renminbi chino se deprecia
(Observatorio Económico Latinoamericano., s.f.); a mediados de noviembre de 2017 hay un golpe de
Estado en Zimbabue y BTC supera los 10 000 dólares; en 2018 baja a 3421 dólares debido a rumores
de prohibición en Corea del Sur y ataque informático en Coincheck (Crypto.com., 2024); hay un halving
en 2020 (Lahiri, 2024); debido a la pandemia por Covid-19 y el confinamiento el precio supera los
50 000 dólares (Sánchez, 2021); a finales del 2021 la adopción de BTC como moneda en curso en El
Salvador (BBC News Mundo,2021); en junio de 2022 Tesla Inc. se deshace de 75% de sus bitcoins y el
precio cae hasta menos de 18 000 dólares (BBC News Mundo, 2022); en julio de 2022 República adopta
BTC como moneda de curso (Lloveras, 2022); a finales de 2022 quiebra la plataforma de intercambio
FTX (BBC News Mundo, 2022); en marzo de 2024 alcanza su máximo histórico debido a que se aceptan
transacciones en bolsa en USA con ETF Bitcoin (Barría, 2024); en noviembre 12 de 2024, tras la victoria
electoral de Donald Trump en Estados Unidos BTC alcanza el precio de 90 422.20 (Investing.com,
2024). Se observa que el comportamiento de esta criptomoneda presenta una volatilidad relacionada
con factores globales que pueden ser usados para predecir su precio.
Aunque la regulación gubernamental ha variado de región a región, la aceptación del público en general
se ha ido consolidando. Cada vez son más los usos que se le dan, los mercados en que se aceptan como
medio de pago y la cantidad de inversionistas que capitalizan constantemente a la criptomoneda.
En Europa, bancos como BBVA señalan que no pueden parar la innovación y deben adaptarse a las
criptomonedas (Karp et al., 2013).
Este comportamiento de la criptomoneda se explica por sucesos propios de su creación, de su paulatino
establecimiento como activo y, principalmente, debido a eventos políticos y económicos alrededor del
mundo. Entre los eventos más destacados que han afectado el comportamiento de Bitcoin, se señalan
los siguientes:
El 25 de abril de 2010 empieza a operar BitCoinMarket (Martínez, 2021); el 22 de mayo de 2010 se
adquieren dos pizzas en el mundo real por 10 000 bitcoin (BTC) (Merchant, 2013); a inicio de 2011
bitcoin alcanza la paridad con el dólar (Literak, 2011); el 11 de abril de 2013 hay una crisis financiera
de Chipre y Grecia (Andreu, 2018); en febrero de 2014 quiebra la plataforma Mt. Gox (Alonso, 2014);
en marzo de 2014 hay un informe falso sobre prohibición de BTC en China (Rizzo, 2014); en junio de
2016 se da un halving de BTC (Kaur, 2024); en octubre de 2016 renminbi chino se deprecia
(Observatorio Económico Latinoamericano., s.f.); a mediados de noviembre de 2017 hay un golpe de
Estado en Zimbabue y BTC supera los 10 000 dólares; en 2018 baja a 3421 dólares debido a rumores
de prohibición en Corea del Sur y ataque informático en Coincheck (Crypto.com., 2024); hay un halving
en 2020 (Lahiri, 2024); debido a la pandemia por Covid-19 y el confinamiento el precio supera los
50 000 dólares (Sánchez, 2021); a finales del 2021 la adopción de BTC como moneda en curso en El
Salvador (BBC News Mundo,2021); en junio de 2022 Tesla Inc. se deshace de 75% de sus bitcoins y el
precio cae hasta menos de 18 000 dólares (BBC News Mundo, 2022); en julio de 2022 República adopta
BTC como moneda de curso (Lloveras, 2022); a finales de 2022 quiebra la plataforma de intercambio
FTX (BBC News Mundo, 2022); en marzo de 2024 alcanza su máximo histórico debido a que se aceptan
transacciones en bolsa en USA con ETF Bitcoin (Barría, 2024); en noviembre 12 de 2024, tras la victoria
electoral de Donald Trump en Estados Unidos BTC alcanza el precio de 90 422.20 (Investing.com,
2024). Se observa que el comportamiento de esta criptomoneda presenta una volatilidad relacionada
con factores globales que pueden ser usados para predecir su precio.
Aunque la regulación gubernamental ha variado de región a región, la aceptación del público en general
se ha ido consolidando. Cada vez son más los usos que se le dan, los mercados en que se aceptan como
medio de pago y la cantidad de inversionistas que capitalizan constantemente a la criptomoneda.
En Europa, bancos como BBVA señalan que no pueden parar la innovación y deben adaptarse a las
criptomonedas (Karp et al., 2013).
pág. 8433
La Unión Europea ha legislado sobre la trazabilidad para el blanqueo de dinero y para garantías de
bloqueo a transacciones sospechosas (Noticias Parlamento Europeo, 2023). China ha tenido decisiones
negativas para Bitcoin, como prohibir a instituciones el comercio mediante esta criptomoneda y prohibir
las ICO, similares a las IPO; además se ha sugerido a las criptobolsas detener sus operaciones hasta
licenciarse y suspender las actividades de minería (Cointelegraph, s.f.). Aunque en Bitcoin algunas
regulaciones se vuelven inútiles, debido a que fue ya liberada y sus algoritmos no pueden ser cambiados.
Las regulaciones deben ser implementadas, en instituciones que realicen operaciones con ella, lo que
será siempre limitado, debido a que las actividades se realizan de persona a persona. Entonces son los
gobiernos quienes deberán entender Bitcoin y adaptarse a ella y no al revés; o limitar su uso volviéndolo
ilegal como en el caso de China en determinadas épocas.
En Latinoamérica el panorama es mixto. El 7 de septiembre del 2021 El Salvador se convirtió en el
primer país en aceptar a Bitcoin como moneda de curso Legal (Fiscalía General de la República El
Salvador, s.f.). En Venezuela las personas usan Bitcoin debido a que conserva su poder adquisitivo en
dólares (Herrera, 2024). Mientras que en Ecuador se señala que Bitcoin no es un medio de pago y que
el uso de esta moneda representa un riesgo, pues su valor se sustenta en la especulación (Banco Central
del Ecuador, 2018). En México las instituciones financieras no están autorizadas a ofrecer operaciones
en criptomonedas (Secretaría de Hacienda y Crédito Público, 2021). La regulación es incipiente.
Actualmente la Comisión Federal de Comercio de Estados Unidos señala en su web que las
criptomonedas no están respaldadas por el gobierno, por lo que en caso de delitos en compañías que las
almacenan (como grandes mercados) el gobierno no tiene obligación de intervenir para la recuperación
de valores y que las criptomonedas se usan para estafas (Comisión Federal de Consumidores, 2022).
Previo a las elecciones de noviembre del 2024, el candidato Donald Trump señaló que adquirirá Bitcoin
a gran escala para mantenerlo en reserva y apoyarse en la misma para controlar la inflación del dólar
(Khalili, 2024 y BBC News 2024). Mientras que la candidata Kamala Harris señaló que tiene intención
de liderar la tecnología blockchain (News.bitcoin.com, 2024). La incorporación de BTC al sistema
económico mundial institucionalizado, aumentaría su valor y seguridad. En la actualidad hay un gran
número de sectores que aceptan directamente criptomonedas como pago.
La Unión Europea ha legislado sobre la trazabilidad para el blanqueo de dinero y para garantías de
bloqueo a transacciones sospechosas (Noticias Parlamento Europeo, 2023). China ha tenido decisiones
negativas para Bitcoin, como prohibir a instituciones el comercio mediante esta criptomoneda y prohibir
las ICO, similares a las IPO; además se ha sugerido a las criptobolsas detener sus operaciones hasta
licenciarse y suspender las actividades de minería (Cointelegraph, s.f.). Aunque en Bitcoin algunas
regulaciones se vuelven inútiles, debido a que fue ya liberada y sus algoritmos no pueden ser cambiados.
Las regulaciones deben ser implementadas, en instituciones que realicen operaciones con ella, lo que
será siempre limitado, debido a que las actividades se realizan de persona a persona. Entonces son los
gobiernos quienes deberán entender Bitcoin y adaptarse a ella y no al revés; o limitar su uso volviéndolo
ilegal como en el caso de China en determinadas épocas.
En Latinoamérica el panorama es mixto. El 7 de septiembre del 2021 El Salvador se convirtió en el
primer país en aceptar a Bitcoin como moneda de curso Legal (Fiscalía General de la República El
Salvador, s.f.). En Venezuela las personas usan Bitcoin debido a que conserva su poder adquisitivo en
dólares (Herrera, 2024). Mientras que en Ecuador se señala que Bitcoin no es un medio de pago y que
el uso de esta moneda representa un riesgo, pues su valor se sustenta en la especulación (Banco Central
del Ecuador, 2018). En México las instituciones financieras no están autorizadas a ofrecer operaciones
en criptomonedas (Secretaría de Hacienda y Crédito Público, 2021). La regulación es incipiente.
Actualmente la Comisión Federal de Comercio de Estados Unidos señala en su web que las
criptomonedas no están respaldadas por el gobierno, por lo que en caso de delitos en compañías que las
almacenan (como grandes mercados) el gobierno no tiene obligación de intervenir para la recuperación
de valores y que las criptomonedas se usan para estafas (Comisión Federal de Consumidores, 2022).
Previo a las elecciones de noviembre del 2024, el candidato Donald Trump señaló que adquirirá Bitcoin
a gran escala para mantenerlo en reserva y apoyarse en la misma para controlar la inflación del dólar
(Khalili, 2024 y BBC News 2024). Mientras que la candidata Kamala Harris señaló que tiene intención
de liderar la tecnología blockchain (News.bitcoin.com, 2024). La incorporación de BTC al sistema
económico mundial institucionalizado, aumentaría su valor y seguridad. En la actualidad hay un gran
número de sectores que aceptan directamente criptomonedas como pago.
pág. 8434
Se encuentra en este grupo el sector de comercio minorista, comercio electrónico, el sector
restaurantero, el sector minorista de lujo y el turismo (Di Paula, 2023). Su aceptación social se
incrementa.
METODOLOGÍA
Se busca determinar un modelo que pronostique un precio, por lo tanto el enfoque es cuantitativo.
“Cuando la información son números (o bien la información recolectada es transformada en escalas
numéricas) estamos ante una investigación con datos cuantitativos” (Cárdenas, 2018, p. 3). El tipo de
investigación es predictivo, es decir pretende “anticipar situaciones futuras a partir del conocimiento de
las condiciones previas” (Miler, 2011, p. 624). Se emplea la investigación bibliográfica que presenta un
“conjunto de elementos detallados que permiten la identificación de la fuente documental impresa o no
de la cual se extrae la información” (Barraza, 2014, p. 1). En este caso la información se ha extraído de
artículos científicos, libros, artículos web, periódicos en línea y principalmente datos de portales
financieros sobre criptomonedas.
El método que se utilizó es el deductivo que “es un método científico que considera que la conclusión
se halla implícita dentro las premisas… las conclusiones son una consecuencia necesaria de las
premisas: cuando las premisas resultan verdaderas y el razonamiento deductivo tiene validez” (Carvajal,
2013, como se citó en Martínez et al., 2014, p. 73). Es decir que una vez construidas las premisas la
conclusión surgirá como un corolario de la información recopilada y los razonamientos empleados. El
diseño longitudinal, es decir que se observa a Bitcoin a través del tiempo en muchas ocasiones para
obtener datos (Delgado, et al., 2004). Los datos utilizados comprenden una muestra del precio diario de
bitcoin desde su surgimiento hasta finales de septiembre del año 2024 Siempre datos disponibles, puesto
que no existen datos diarios de los primeros años de BTC; el portal consultado ofrece como primer dato
del precio de bitcoin el 17 de julio del año 2010.
Para la construcción del modelo se recurre a redes bayesianas mediante la validación de expertos y la
simulación de Montecarlo. Existen limitaciones sobre la calibración de la red, debido a que esta se basa
en la subjetividad como parte esencial de la red bayesiana en sí. La producción de datos se la hará de
manera computacional, recurriendo a programación en el lenguaje C# y a Microsoft Excel. Como
enfoque ético se aplica la veracidad de los resultados obtenidos.
Se encuentra en este grupo el sector de comercio minorista, comercio electrónico, el sector
restaurantero, el sector minorista de lujo y el turismo (Di Paula, 2023). Su aceptación social se
incrementa.
METODOLOGÍA
Se busca determinar un modelo que pronostique un precio, por lo tanto el enfoque es cuantitativo.
“Cuando la información son números (o bien la información recolectada es transformada en escalas
numéricas) estamos ante una investigación con datos cuantitativos” (Cárdenas, 2018, p. 3). El tipo de
investigación es predictivo, es decir pretende “anticipar situaciones futuras a partir del conocimiento de
las condiciones previas” (Miler, 2011, p. 624). Se emplea la investigación bibliográfica que presenta un
“conjunto de elementos detallados que permiten la identificación de la fuente documental impresa o no
de la cual se extrae la información” (Barraza, 2014, p. 1). En este caso la información se ha extraído de
artículos científicos, libros, artículos web, periódicos en línea y principalmente datos de portales
financieros sobre criptomonedas.
El método que se utilizó es el deductivo que “es un método científico que considera que la conclusión
se halla implícita dentro las premisas… las conclusiones son una consecuencia necesaria de las
premisas: cuando las premisas resultan verdaderas y el razonamiento deductivo tiene validez” (Carvajal,
2013, como se citó en Martínez et al., 2014, p. 73). Es decir que una vez construidas las premisas la
conclusión surgirá como un corolario de la información recopilada y los razonamientos empleados. El
diseño longitudinal, es decir que se observa a Bitcoin a través del tiempo en muchas ocasiones para
obtener datos (Delgado, et al., 2004). Los datos utilizados comprenden una muestra del precio diario de
bitcoin desde su surgimiento hasta finales de septiembre del año 2024 Siempre datos disponibles, puesto
que no existen datos diarios de los primeros años de BTC; el portal consultado ofrece como primer dato
del precio de bitcoin el 17 de julio del año 2010.
Para la construcción del modelo se recurre a redes bayesianas mediante la validación de expertos y la
simulación de Montecarlo. Existen limitaciones sobre la calibración de la red, debido a que esta se basa
en la subjetividad como parte esencial de la red bayesiana en sí. La producción de datos se la hará de
manera computacional, recurriendo a programación en el lenguaje C# y a Microsoft Excel. Como
enfoque ético se aplica la veracidad de los resultados obtenidos.
pág. 8435
RESULTADOS Y DISCUSIÓN
Para una mejor exposición se dividirá este apartado en 2 elementos: red bayesiana y simulación de
Montecarlo.
I Red Bayesiana
Se procede con la definición de 5 pasos que expone Dávila et al. (2015):
1.- El objetivo de la red es predecir el precio de bitcoin. Esto permite maximizar ganancias; reducir los
riesgos mediante el análisis macroeconómico; tomar mejores decisiones de inversión y aprovechar
oportunidades mediante buenas estrategias. Conviene saber cómo actúa el precio.
2.- Se procede a identificar las variables importantes y las interrelaciones para la representación gráfica.
Es crucial para reflejar relaciones causa-efecto y correlación entre variables; además simplifica la
complejidad de los mercados de activos. Como variables se proponen las determinadas en la tabla 2.
Tabla 2 Variables que influyen en el precio de Bitcoin.
Grupo Factores de variación de precio
Políticos Apoyo de Estados Unidos
Apoyo de China.
Apoyo de Unión Europea.
Moneda en curso legal.
Económicos Estabilidad económica mundial.
Capitalización de Mercado.
Especulación.
Oferta.
Demanda.
Relación con índices de mercados financieros.
Incentivos de minado.
Estabilidad de otros activos basados en blockchain.
Sociales Uso de bitcoin por la población.
Aceptación como forma de pago en comercios.
Prejuicio de BTC para lavado de activos.
Tecnológicos Seguridad en las transacciones.
Implementación en soluciones de comercio electrónico.
Poder computacional requerido para el minado.
Ambientales Costo energético del minado.
Legales Regulaciones para el uso de bitcoin.
Nota. Variables relacionadas al precio de bitcoin, agrupadas por categorías del análisis PESTEL.
RESULTADOS Y DISCUSIÓN
Para una mejor exposición se dividirá este apartado en 2 elementos: red bayesiana y simulación de
Montecarlo.
I Red Bayesiana
Se procede con la definición de 5 pasos que expone Dávila et al. (2015):
1.- El objetivo de la red es predecir el precio de bitcoin. Esto permite maximizar ganancias; reducir los
riesgos mediante el análisis macroeconómico; tomar mejores decisiones de inversión y aprovechar
oportunidades mediante buenas estrategias. Conviene saber cómo actúa el precio.
2.- Se procede a identificar las variables importantes y las interrelaciones para la representación gráfica.
Es crucial para reflejar relaciones causa-efecto y correlación entre variables; además simplifica la
complejidad de los mercados de activos. Como variables se proponen las determinadas en la tabla 2.
Tabla 2 Variables que influyen en el precio de Bitcoin.
Grupo Factores de variación de precio
Políticos Apoyo de Estados Unidos
Apoyo de China.
Apoyo de Unión Europea.
Moneda en curso legal.
Económicos Estabilidad económica mundial.
Capitalización de Mercado.
Especulación.
Oferta.
Demanda.
Relación con índices de mercados financieros.
Incentivos de minado.
Estabilidad de otros activos basados en blockchain.
Sociales Uso de bitcoin por la población.
Aceptación como forma de pago en comercios.
Prejuicio de BTC para lavado de activos.
Tecnológicos Seguridad en las transacciones.
Implementación en soluciones de comercio electrónico.
Poder computacional requerido para el minado.
Ambientales Costo energético del minado.
Legales Regulaciones para el uso de bitcoin.
Nota. Variables relacionadas al precio de bitcoin, agrupadas por categorías del análisis PESTEL.
pág. 8436
Para realizar este punto se utilizó el análisis PESTLE. Los factores se agruparon en seis categorías.
“Para construir la [Red Bayesiana] se considera a los factores [de influencia en el precio] seleccionados
como nodos, los cuales serán conectados mediante arcos dirigidos para formar una estructura causal
que muestre la dependencia entre estos” (Dávila et al., 2015, p. 185). En la tabla 3 se procede a describir
los nodos con el fin de encapsular el significado de cada uno y delimitar su ámbito de influencia.
Tabla 3 Descripción de nodos.
Nodo Descripción
Apoyo de Estados Unidos. Efecto en el precio de BTC debido a apoyo del gobierno de
Estados Unidos a bitcoin.
Apoyo de China. Efecto en el precio de BTC debido a apoyo del gobierno de
China a bitcoin.
Apoyo de Unión Europea. Efecto en el precio de BTC debido a apoyo de la Unión Europea
a bitcoin.
Moneda en curso legal. Efecto en el precio de BTC debido a países que adoptan a BTC
como moneda de curso legal.
Estabilidad económica mundial. Efecto en el precio de BTC debido de la estabilidad económica
mundial.
Capitalización de Mercado. Efecto en el precio de BTC debido al valor total del BTC que
se encuentran en circulación.
Especulación. Efecto en el precio de BTC debido a la especulación en el
mercado de criptoactivos.
Oferta. Efecto en el precio de BTC debido por la cantidad de bitcoins
puestas a la venta.
Demanda. Efecto en el precio de BTC debido a la cantidad de
compradores.
Relación con índices de mercados
financieros.
Efecto en el precio de BTC por su correlación con índices
financieros.
Incentivos de minado. Efecto en el precio de BTC debido a los beneficios económicos
para los mineros.
Estabilidad de otros activos
basados en blockchain.
Efecto en el precio de BTC debido a la estabilidad de otros
criptoactivos.
Uso de bitcoin por la población. Efecto en el precio de BTC por el nivel de adopción de bitcoins
por la población.
Aceptación como forma de pago
en comercios.
Efecto en el precio de BTC debido a la aceptación de BTC
como forma de pago.
Para realizar este punto se utilizó el análisis PESTLE. Los factores se agruparon en seis categorías.
“Para construir la [Red Bayesiana] se considera a los factores [de influencia en el precio] seleccionados
como nodos, los cuales serán conectados mediante arcos dirigidos para formar una estructura causal
que muestre la dependencia entre estos” (Dávila et al., 2015, p. 185). En la tabla 3 se procede a describir
los nodos con el fin de encapsular el significado de cada uno y delimitar su ámbito de influencia.
Tabla 3 Descripción de nodos.
Nodo Descripción
Apoyo de Estados Unidos. Efecto en el precio de BTC debido a apoyo del gobierno de
Estados Unidos a bitcoin.
Apoyo de China. Efecto en el precio de BTC debido a apoyo del gobierno de
China a bitcoin.
Apoyo de Unión Europea. Efecto en el precio de BTC debido a apoyo de la Unión Europea
a bitcoin.
Moneda en curso legal. Efecto en el precio de BTC debido a países que adoptan a BTC
como moneda de curso legal.
Estabilidad económica mundial. Efecto en el precio de BTC debido de la estabilidad económica
mundial.
Capitalización de Mercado. Efecto en el precio de BTC debido al valor total del BTC que
se encuentran en circulación.
Especulación. Efecto en el precio de BTC debido a la especulación en el
mercado de criptoactivos.
Oferta. Efecto en el precio de BTC debido por la cantidad de bitcoins
puestas a la venta.
Demanda. Efecto en el precio de BTC debido a la cantidad de
compradores.
Relación con índices de mercados
financieros.
Efecto en el precio de BTC por su correlación con índices
financieros.
Incentivos de minado. Efecto en el precio de BTC debido a los beneficios económicos
para los mineros.
Estabilidad de otros activos
basados en blockchain.
Efecto en el precio de BTC debido a la estabilidad de otros
criptoactivos.
Uso de bitcoin por la población. Efecto en el precio de BTC por el nivel de adopción de bitcoins
por la población.
Aceptación como forma de pago
en comercios.
Efecto en el precio de BTC debido a la aceptación de BTC
como forma de pago.
pág. 8437
Prejuicio sobre uso de bitcoin para
lavado de activos
Efecto en el precio de BTC debido a la percepción pública
sobre su uso para lavado de activos.
Seguridad en las transacciones. Efecto en el precio de BTC debido al nivel de seguridad de sus
transacciones.
Implementación en soluciones de
comercio electrónico.
Efecto en el precio de BTC por su integración en plataformas
de comercio electrónico.
Poder computacional requerido
para el minado.
Efecto en el precio de BTC debido al poder computacional
requerido para minar.
Gasto energético del minado. Efecto en el precio de BTC debido al costo energético para
minar BTC.
Regulaciones para el uso de
bitcoin.
Efecto en el precio de BTC de normativas gubernamentales
para el uso de BTC.
Nota. En esta descripción de los nodos no se ha incluido los factores de PESTLE, puesto que sirven para la agrupación de las
variables por categorías.
Realizar la representación gráfica de las dependencias. Para realizar la representación gráfica se da
nombres a los nodos, a fin de ahorrar espacio en el Grafo Acíclico Dirigido (GAD). Con el siguiente
detalle:
Factores Políticos (POL), Apoyo de USA (A_USA), Apoyo de China (A_CHINA), Apoyo de Unión
Europea (A_UE), Moneda en curso legal (M_CL), Factores Económicos (E), Estabilidad económica
mundial (E_EM), Capitalización de Mercado (C_M), Especulación (ESPEC), Oferta (O), Demanda
(D), Relación con índices de mercados financieros (R_IMF), Incentivos de minado (I_M), Estabilidad
de otros activos basados en blockchain (E_OAB), Factores Sociales (S), Uso de bitcoin por la población
(U_BP), Aceptación como forma de pago en comercios (A_FP), Prejuicio sobre uso de bitcoin para
lavado de activos (P_LA), Factores Tecnológicos (T), Seguridad en las transacciones (S_T),
Implementación en soluciones de comercio electrónico (I_CE), Poder computacional requerido para el
minado (P_CM), Factores Ambientales (A), Gasto energético del minado (G_EM), Factores Legales
(L), Regulaciones para el uso de bitcoin (R_UB), Precio de Bitcoin (P_BTC). La red diseñada se le
llamará en este trabajo RedBitcoin1 y se la puede observar en la figura 3.
Prejuicio sobre uso de bitcoin para
lavado de activos
Efecto en el precio de BTC debido a la percepción pública
sobre su uso para lavado de activos.
Seguridad en las transacciones. Efecto en el precio de BTC debido al nivel de seguridad de sus
transacciones.
Implementación en soluciones de
comercio electrónico.
Efecto en el precio de BTC por su integración en plataformas
de comercio electrónico.
Poder computacional requerido
para el minado.
Efecto en el precio de BTC debido al poder computacional
requerido para minar.
Gasto energético del minado. Efecto en el precio de BTC debido al costo energético para
minar BTC.
Regulaciones para el uso de
bitcoin.
Efecto en el precio de BTC de normativas gubernamentales
para el uso de BTC.
Nota. En esta descripción de los nodos no se ha incluido los factores de PESTLE, puesto que sirven para la agrupación de las
variables por categorías.
Realizar la representación gráfica de las dependencias. Para realizar la representación gráfica se da
nombres a los nodos, a fin de ahorrar espacio en el Grafo Acíclico Dirigido (GAD). Con el siguiente
detalle:
Factores Políticos (POL), Apoyo de USA (A_USA), Apoyo de China (A_CHINA), Apoyo de Unión
Europea (A_UE), Moneda en curso legal (M_CL), Factores Económicos (E), Estabilidad económica
mundial (E_EM), Capitalización de Mercado (C_M), Especulación (ESPEC), Oferta (O), Demanda
(D), Relación con índices de mercados financieros (R_IMF), Incentivos de minado (I_M), Estabilidad
de otros activos basados en blockchain (E_OAB), Factores Sociales (S), Uso de bitcoin por la población
(U_BP), Aceptación como forma de pago en comercios (A_FP), Prejuicio sobre uso de bitcoin para
lavado de activos (P_LA), Factores Tecnológicos (T), Seguridad en las transacciones (S_T),
Implementación en soluciones de comercio electrónico (I_CE), Poder computacional requerido para el
minado (P_CM), Factores Ambientales (A), Gasto energético del minado (G_EM), Factores Legales
(L), Regulaciones para el uso de bitcoin (R_UB), Precio de Bitcoin (P_BTC). La red diseñada se le
llamará en este trabajo RedBitcoin1 y se la puede observar en la figura 3.
pág. 8438
Figura 3 Representación gráfica de la Red Bayesiana RedBitcoin1 para determinar el precio de Bitcoin.
Nota. Diseño basado en el análisis PESTEL.
Una vez realizado el grafo, definido los nodos y las relaciones, se establecen los estados posibles de
cada variable y las probabilidades de los mismos. Para establecer las probabilidades a priori se recurrió
a conocimiento experto. Debido a que las Redes Bayesianas, según Dávila et al. (2015) “incorporan
información inicial a través de una distribución de probabilidad a priori, … se puede incluir información
subjetiva en la toma de decisiones, como la opinión de expertos" (p. 177). Por lo que en un primer
momento se puede recurrir a la opinión de personas con alto conocimiento y experiencia en el tema,
para la formulación de la red.
4.- Se valida el modelo con expertos quienes sugieren cambios para dar su asentimiento y consenso.
Estos cambios ya han sido agregados al modelo planteado.
5.- Posteriormente, se procede con el establecimiento de probabilidades a priori como se indica en la
tabla 4. Y se utiliza la Regla de Bayes para calcular la probabilidad en la red. Las probabilidades a priori
serán modificadas a medida que se obtengan nuevos datos, se haga simulaciones y propagación.
Figura 3 Representación gráfica de la Red Bayesiana RedBitcoin1 para determinar el precio de Bitcoin.
Nota. Diseño basado en el análisis PESTEL.
Una vez realizado el grafo, definido los nodos y las relaciones, se establecen los estados posibles de
cada variable y las probabilidades de los mismos. Para establecer las probabilidades a priori se recurrió
a conocimiento experto. Debido a que las Redes Bayesianas, según Dávila et al. (2015) “incorporan
información inicial a través de una distribución de probabilidad a priori, … se puede incluir información
subjetiva en la toma de decisiones, como la opinión de expertos" (p. 177). Por lo que en un primer
momento se puede recurrir a la opinión de personas con alto conocimiento y experiencia en el tema,
para la formulación de la red.
4.- Se valida el modelo con expertos quienes sugieren cambios para dar su asentimiento y consenso.
Estos cambios ya han sido agregados al modelo planteado.
5.- Posteriormente, se procede con el establecimiento de probabilidades a priori como se indica en la
tabla 4. Y se utiliza la Regla de Bayes para calcular la probabilidad en la red. Las probabilidades a priori
serán modificadas a medida que se obtengan nuevos datos, se haga simulaciones y propagación.
pág. 8439
Tabla 4 Probabilidades a priori.
Nodo Probabilidad de aumento Probabilidad de Disminución
P_BTC 50% 50%
POL 40% 60%
E 55% 45%
S 60% 40%
T 70% 30%
A 45% 55%
L 50% 50%
Relación Probabilidad de aumento Probabilidad de Disminución
POL → P_BTC 80% 70%
A_USA → POL 90% 80%
A_CHINA → POL 85% 75%
A_UE → POL 80% 70%
M_CL → POL 90% 80%
E → P_BTC 85% 75%
E_EM → E 90% 80%
C_M → E 85% 75%
ESPEC → E 80% 70%
O → E 75% 80%
D → E 80% 70%
R_IMF → E 85% 75%
I_M → E 80% 70%
E_OAB → E 75% 80%
S → P_BTC 60% 40%
U_BP → S 70% 30%
A_FP → S 80% 70%
P_LA → S 60% 40%
T → P_BTC 70% 30%
S_T → T 90% 80%
I_CE → T 85% 75%
P_CM → T 80% 70%
A → P_BTC 45% 55%
G_EM → A 50% 50%
L → P_BTC 50% 50%
R_UB → L 60% 40%
Nota. Las probabilidades han sido establecidas y ponderadas por expertos.
Tabla 4 Probabilidades a priori.
Nodo Probabilidad de aumento Probabilidad de Disminución
P_BTC 50% 50%
POL 40% 60%
E 55% 45%
S 60% 40%
T 70% 30%
A 45% 55%
L 50% 50%
Relación Probabilidad de aumento Probabilidad de Disminución
POL → P_BTC 80% 70%
A_USA → POL 90% 80%
A_CHINA → POL 85% 75%
A_UE → POL 80% 70%
M_CL → POL 90% 80%
E → P_BTC 85% 75%
E_EM → E 90% 80%
C_M → E 85% 75%
ESPEC → E 80% 70%
O → E 75% 80%
D → E 80% 70%
R_IMF → E 85% 75%
I_M → E 80% 70%
E_OAB → E 75% 80%
S → P_BTC 60% 40%
U_BP → S 70% 30%
A_FP → S 80% 70%
P_LA → S 60% 40%
T → P_BTC 70% 30%
S_T → T 90% 80%
I_CE → T 85% 75%
P_CM → T 80% 70%
A → P_BTC 45% 55%
G_EM → A 50% 50%
L → P_BTC 50% 50%
R_UB → L 60% 40%
Nota. Las probabilidades han sido establecidas y ponderadas por expertos.
pág. 8440
Para la propagación se utiliza la fórmula 1:
Fórmula 1
Propagación para las probabilidades de aumento de precio de RedBitcoin1
𝑷(𝑷_𝑩𝑻𝑪 ↑) = ∑ [𝑷(𝑷_𝑩𝑻𝑪 ↑|𝑵𝒐𝒅𝒐𝒊) ∗ {∑ [𝑷(𝑵𝒐𝒅𝒐𝒊 ↑|𝑵𝒐𝒅𝒐_𝒋) ∗ 𝑷(𝑵𝒐𝒅𝒐_𝒋)]𝒏
𝒋=𝟏
𝒏
𝒊=𝟏 }]
Donde: P(P_BTC ↑) es la probabilidad de aumento del precio de Bitcoin; Nodo_i representa cada uno
de los nodos de la red (POL, E, S, T, A, L, etc.); Nodo_j representa cada uno de los nodos que influyen
en Nodo_i; P(P_BTC ↑ | Nodo_i) es la probabilidad de aumento del precio de Bitcoin dado que Nodo_i
aumente; P(Nodo_i ↑ | Nodo_j) es la probabilidad de aumento de Nodo_i dado que Nodo_j aumente;
P(Nodo_j) es la probabilidad de aumento de Nodo_j; ∑ representa la suma sobre todos los nodos.
En el caso de la disminución de precio se establece la fórmula 2:
Fórmula 2
Probabilidades la disminución de precio de RedBitcoin1
𝑷(𝑷_𝑩𝑻𝑪 ↓) = 𝟏 − 𝑷(𝑷_𝑩𝑻𝑪 ↑)
Donde: P(P_BTC ↓) es la probabilidad de disminución del precio de Bitcoin; y P(P_BTC ↑) es la
probabilidad de aumento del precio de Bitcoin. Para la creación de escenarios y dar resultados
completos conviene primero aplicar la Simulación de Montecarlo.
II Simulación de Montecarlo
Para la Simulación de Montecarlo se realizó un programa en C# para la propagación, simulando 10 000
escenarios. Posteriormente se usó esta probabilidad en una tabla de Excel que, calculaba el precio de
bitcoin usando esta probabilidad desde la celda A2 a la celda A10001. Como precio base se estableció
el precio de bitcoin de la fuente consultada al 29 de septiembre de 2024. Se realizó correcciones en las
probabilidades de aumento y disminución cuando estas eran del 100%, con una corrección al 99%; y
de igual manera cuando la probabilidad era de cero se corrigió al 1%, a fin de no tener errores en las
celdas que impidan el cálculo de la probabilidad final. Para determinar el precio en 10000 escenarios
simulados se utilizó Excel con la inversa de la función de distribución de la normal estándar del valor
de probabilidad obtenido en el correspondiente escenario del programa de C# que realiza la
propagación, siendo uno de los 10000 resultados; además de tomar en cuenta también el precio base, la
Para la propagación se utiliza la fórmula 1:
Fórmula 1
Propagación para las probabilidades de aumento de precio de RedBitcoin1
𝑷(𝑷_𝑩𝑻𝑪 ↑) = ∑ [𝑷(𝑷_𝑩𝑻𝑪 ↑|𝑵𝒐𝒅𝒐𝒊) ∗ {∑ [𝑷(𝑵𝒐𝒅𝒐𝒊 ↑|𝑵𝒐𝒅𝒐_𝒋) ∗ 𝑷(𝑵𝒐𝒅𝒐_𝒋)]𝒏
𝒋=𝟏
𝒏
𝒊=𝟏 }]
Donde: P(P_BTC ↑) es la probabilidad de aumento del precio de Bitcoin; Nodo_i representa cada uno
de los nodos de la red (POL, E, S, T, A, L, etc.); Nodo_j representa cada uno de los nodos que influyen
en Nodo_i; P(P_BTC ↑ | Nodo_i) es la probabilidad de aumento del precio de Bitcoin dado que Nodo_i
aumente; P(Nodo_i ↑ | Nodo_j) es la probabilidad de aumento de Nodo_i dado que Nodo_j aumente;
P(Nodo_j) es la probabilidad de aumento de Nodo_j; ∑ representa la suma sobre todos los nodos.
En el caso de la disminución de precio se establece la fórmula 2:
Fórmula 2
Probabilidades la disminución de precio de RedBitcoin1
𝑷(𝑷_𝑩𝑻𝑪 ↓) = 𝟏 − 𝑷(𝑷_𝑩𝑻𝑪 ↑)
Donde: P(P_BTC ↓) es la probabilidad de disminución del precio de Bitcoin; y P(P_BTC ↑) es la
probabilidad de aumento del precio de Bitcoin. Para la creación de escenarios y dar resultados
completos conviene primero aplicar la Simulación de Montecarlo.
II Simulación de Montecarlo
Para la Simulación de Montecarlo se realizó un programa en C# para la propagación, simulando 10 000
escenarios. Posteriormente se usó esta probabilidad en una tabla de Excel que, calculaba el precio de
bitcoin usando esta probabilidad desde la celda A2 a la celda A10001. Como precio base se estableció
el precio de bitcoin de la fuente consultada al 29 de septiembre de 2024. Se realizó correcciones en las
probabilidades de aumento y disminución cuando estas eran del 100%, con una corrección al 99%; y
de igual manera cuando la probabilidad era de cero se corrigió al 1%, a fin de no tener errores en las
celdas que impidan el cálculo de la probabilidad final. Para determinar el precio en 10000 escenarios
simulados se utilizó Excel con la inversa de la función de distribución de la normal estándar del valor
de probabilidad obtenido en el correspondiente escenario del programa de C# que realiza la
propagación, siendo uno de los 10000 resultados; además de tomar en cuenta también el precio base, la
pág. 8441
desviación estándar de la variación diaria del precio de bitcoin; y el promedio de variación diaria del
precio de cierre de un día con relación al anterior. Esto corresponde a la expresión matemática
establecida en la fórmula 3:
Fórmula 3
Fórmula para calcular el precio de bitcoin, basado en los resultados de las simulaciones en la
RedBitcoin1.
𝑥 = √2( 2
√𝜋) ∑ (−1)𝑘(2𝑝 − 1)(2𝑘+1)
(2𝑘 + 1)𝑘!
∞
𝑘=0
Donde: x es el valor inverso de la distribución normal estándar; p es la probabilidad (entre 0 y 1); π es
la constante pi; y k! es el factorial de k.
Como resultados se obtuvo que el precio pronosticado para el día 30 de octubre de 2024 es de $
63 938.62 dólares; con una desviación estándar de $ 1 062.48 dólares y con un rango que va desde los
$ 65 001.11 dólares en el límite superior hasta los $ 62 876.14 dólares en el límite inferior. Al realizarse
10000 simulaciones el nivel de confianza es de 99% aproximadamente.
Hubo una variación entre el precio del modelo y de valor real de cierre debido a los mismos factores y
variables estudiadas en los nodos y en las relaciones de la Red Bayesiana diseñada. Esta red debe ser
calibrada en tiempo real para obtener una mejor predicción. Por ejemplo, dándole mayor peso en el
precio a factores económicos como la especulación con el activo, lo que eleva la volatilidad. También,
la Red Bayesiana deberá aprender la distribución compleja del precio de Bitcoin para ajustarse a eventos
que desaten la especulación y volatilidad; puesto que la distribución normal, parece no responder a la
evolución del activo. Por otro lado, al realizar simulaciones con la distribución de Pareto se obtiene
valores similares, con un rango de variación más cerrado.
Para la calibración de la Red Bayesiana RedBitcoin1 lo más adecuado, de cara a la automatización sería
el desarrollo de un programa que utilice RSSFEED y lectura directa de páginas web que publiquen
precios diarios de Bitcoin, como la misma fuente estudiada en esta investigación (Investing.com), a fin
de que la red se actualice y siga aprendiendo los valores de probabilidad y la estructura; lo que se
recomienda para futuras investigaciones. Es importante la detección de esta limitación en este modelo
desviación estándar de la variación diaria del precio de bitcoin; y el promedio de variación diaria del
precio de cierre de un día con relación al anterior. Esto corresponde a la expresión matemática
establecida en la fórmula 3:
Fórmula 3
Fórmula para calcular el precio de bitcoin, basado en los resultados de las simulaciones en la
RedBitcoin1.
𝑥 = √2( 2
√𝜋) ∑ (−1)𝑘(2𝑝 − 1)(2𝑘+1)
(2𝑘 + 1)𝑘!
∞
𝑘=0
Donde: x es el valor inverso de la distribución normal estándar; p es la probabilidad (entre 0 y 1); π es
la constante pi; y k! es el factorial de k.
Como resultados se obtuvo que el precio pronosticado para el día 30 de octubre de 2024 es de $
63 938.62 dólares; con una desviación estándar de $ 1 062.48 dólares y con un rango que va desde los
$ 65 001.11 dólares en el límite superior hasta los $ 62 876.14 dólares en el límite inferior. Al realizarse
10000 simulaciones el nivel de confianza es de 99% aproximadamente.
Hubo una variación entre el precio del modelo y de valor real de cierre debido a los mismos factores y
variables estudiadas en los nodos y en las relaciones de la Red Bayesiana diseñada. Esta red debe ser
calibrada en tiempo real para obtener una mejor predicción. Por ejemplo, dándole mayor peso en el
precio a factores económicos como la especulación con el activo, lo que eleva la volatilidad. También,
la Red Bayesiana deberá aprender la distribución compleja del precio de Bitcoin para ajustarse a eventos
que desaten la especulación y volatilidad; puesto que la distribución normal, parece no responder a la
evolución del activo. Por otro lado, al realizar simulaciones con la distribución de Pareto se obtiene
valores similares, con un rango de variación más cerrado.
Para la calibración de la Red Bayesiana RedBitcoin1 lo más adecuado, de cara a la automatización sería
el desarrollo de un programa que utilice RSSFEED y lectura directa de páginas web que publiquen
precios diarios de Bitcoin, como la misma fuente estudiada en esta investigación (Investing.com), a fin
de que la red se actualice y siga aprendiendo los valores de probabilidad y la estructura; lo que se
recomienda para futuras investigaciones. Es importante la detección de esta limitación en este modelo
pág. 8442
teórico con enfoque práctico, porque abre paso a la depuración y perfeccionamiento; que, por lo demás
se considera un modelo válido.
A pesar de que la red Bayesiana incorpora “información subjetiva en la toma de decisiones, como la
opinión de expertos" (Dávila, 2015, p. 177), en las condiciones actuales, y en el caso de los commodities
hay factores de la red que pueden ser actualizados en tiempo real, mediante una lectura constante del
dato desde la misma fuente. La predicción del precio de la manera planteada representa una novedad
científica. Aplicaciones posibles para este modelo, es la instalación del mismo para el estudio del precio
de Bitcoin en empresas de inversión en criptoactivos.
CONCLUSIONES
Se expuso un modelo para la predicción del precio de Bitcoin, mediante el uso de Red Bayesiana y
Simulación de Montecarlo.
Se expuso que Bitcoin surgió de la necesidad de un medio de pago electrónico que permita transacciones
irreversibles, persona a persona, que no dependan de instituciones de confianza. Bitcoin es una moneda
finita, inmune a la inflación y tiene un uso muy extendido. Bitcoin es considerado una mercancía.
Actualmente la Comisión Federal de Comercio señala en su web que las criptomonedas no están
respaldadas por el gobierno. Hay un gran número de sectores que aceptan directamente criptomonedas
como pago. Su precio es afectado principalmente eventos globales relacionados a factores políticos,
económicos, sociales, tecnológicos, ambientales y legales. Para crear un modelo predictivo adecuado
se debe recurrir al análisis PESTEL. Una predicción así, ayudará a las personas a tomar mejores
decisiones sobre inversión.
Se utilizó un enfoque es cuantitativo, con una investigación predictiva, bibliográfica, la información se
extrajo de artículos científicos, periódicos en línea y portales financieros de criptoactivos; el método
que se utilizó fue el deductivo; los datos utilizados comprendieron una muestra del precio diario de
bitcoin desde su surgimiento hasta finales de septiembre del año 2024. Como herramientas se utilizó
las Redes Bayesianas y la Simulación de Montecarlo, con un nivel de confianza de 99%.
Se obtuvo que las variables más importantes son: Factores Políticos, Apoyo de USA, Apoyo de China,
Apoyo de Unión Europea, Moneda en curso legal, Factores Económicos, Estabilidad económica
mundial, Capitalización de Mercado, Especulación, Oferta, Demanda, Relación con índices de
teórico con enfoque práctico, porque abre paso a la depuración y perfeccionamiento; que, por lo demás
se considera un modelo válido.
A pesar de que la red Bayesiana incorpora “información subjetiva en la toma de decisiones, como la
opinión de expertos" (Dávila, 2015, p. 177), en las condiciones actuales, y en el caso de los commodities
hay factores de la red que pueden ser actualizados en tiempo real, mediante una lectura constante del
dato desde la misma fuente. La predicción del precio de la manera planteada representa una novedad
científica. Aplicaciones posibles para este modelo, es la instalación del mismo para el estudio del precio
de Bitcoin en empresas de inversión en criptoactivos.
CONCLUSIONES
Se expuso un modelo para la predicción del precio de Bitcoin, mediante el uso de Red Bayesiana y
Simulación de Montecarlo.
Se expuso que Bitcoin surgió de la necesidad de un medio de pago electrónico que permita transacciones
irreversibles, persona a persona, que no dependan de instituciones de confianza. Bitcoin es una moneda
finita, inmune a la inflación y tiene un uso muy extendido. Bitcoin es considerado una mercancía.
Actualmente la Comisión Federal de Comercio señala en su web que las criptomonedas no están
respaldadas por el gobierno. Hay un gran número de sectores que aceptan directamente criptomonedas
como pago. Su precio es afectado principalmente eventos globales relacionados a factores políticos,
económicos, sociales, tecnológicos, ambientales y legales. Para crear un modelo predictivo adecuado
se debe recurrir al análisis PESTEL. Una predicción así, ayudará a las personas a tomar mejores
decisiones sobre inversión.
Se utilizó un enfoque es cuantitativo, con una investigación predictiva, bibliográfica, la información se
extrajo de artículos científicos, periódicos en línea y portales financieros de criptoactivos; el método
que se utilizó fue el deductivo; los datos utilizados comprendieron una muestra del precio diario de
bitcoin desde su surgimiento hasta finales de septiembre del año 2024. Como herramientas se utilizó
las Redes Bayesianas y la Simulación de Montecarlo, con un nivel de confianza de 99%.
Se obtuvo que las variables más importantes son: Factores Políticos, Apoyo de USA, Apoyo de China,
Apoyo de Unión Europea, Moneda en curso legal, Factores Económicos, Estabilidad económica
mundial, Capitalización de Mercado, Especulación, Oferta, Demanda, Relación con índices de
pág. 8443
mercados financieros, Incentivos de minado, Estabilidad de otros activos basados en blockchain,
Factores Sociales, Uso de bitcoin por la población, Aceptación como forma de pago en comercios,
Prejuicio sobre uso de bitcoin para lavado de activos, Factores Tecnológicos, Seguridad en las
transacciones, Implementación en soluciones de comercio electrónico, Poder computacional requerido
para el minado, Factores Ambientales, Gasto energético del minado, Factores Legales, Regulaciones
para el uso de bitcoin, Precio de Bitcoin. Se asignó probabilidad y se ejecutó la propagación. La
probabilidad de aumento se combinó con datos históricos y con la simulación de Montecarlo para hacer
10000 iteraciones. Como resultados se obtuvo que el precio pronosticado para el día 30 de octubre de
2024 es de $ 63 938.62 dólares; con una desviación estándar de $ 1 062.48 dólares y con un rango que
va desde los $ 65 001.11 dólares en el límite superior hasta los $ 62 876.14 dólares en el límite inferior.
La variación entre el precio del modelo y de valor real de cierre, se deber a los mismos factores
estudiados y a que la Red Bayesiana diseñada. Para mejores predicciones puede calibrarse en tiempo
real mediante RSS FEED y lectores de información aplicados a páginas web dedicadas a la publicación
del precio de Bitcoin. Se recomienda ajustar la red en la variable de especulación para responder a la
volatilidad; y la distribución compleja de bitcoin. Es importantísimo detectar limitaciones del modelo,
para la depuración y perfeccionamiento del mismo, que se considera válido y que ha cumplido con el
objetivo a cabalidad. La red debe ser actualizada para que siga aprendiendo los valores de probabilidad
y la estructura.
REFERENCIAS BIBLIOGRÁFICAS
Agudelo A., Giraldo, S. (2022). Niveles óptimos de trading para criptomonedas – Simulación Monte
Carlo para
Alonso, A. (28 de febrero de 2014). Mt. Gox quiebra, Bitcoin continúa. Eldiario.es.
https://www.eldiario.es/tecnologia/diario-turing/mtgox-bitcoins-maleabilidad-fraude-
corralito-karpeless_1_5005709.html.
Álvarez-Díaz, L. (2019). Criptomonedas: Evolución, crecimiento y perspectivas del Bitcoin. Población
y Desarrollo, 25 (49), 130-142. https://doi.org/10.18004/pdfce/2076-054x/2019.025.49.130-
142.
mercados financieros, Incentivos de minado, Estabilidad de otros activos basados en blockchain,
Factores Sociales, Uso de bitcoin por la población, Aceptación como forma de pago en comercios,
Prejuicio sobre uso de bitcoin para lavado de activos, Factores Tecnológicos, Seguridad en las
transacciones, Implementación en soluciones de comercio electrónico, Poder computacional requerido
para el minado, Factores Ambientales, Gasto energético del minado, Factores Legales, Regulaciones
para el uso de bitcoin, Precio de Bitcoin. Se asignó probabilidad y se ejecutó la propagación. La
probabilidad de aumento se combinó con datos históricos y con la simulación de Montecarlo para hacer
10000 iteraciones. Como resultados se obtuvo que el precio pronosticado para el día 30 de octubre de
2024 es de $ 63 938.62 dólares; con una desviación estándar de $ 1 062.48 dólares y con un rango que
va desde los $ 65 001.11 dólares en el límite superior hasta los $ 62 876.14 dólares en el límite inferior.
La variación entre el precio del modelo y de valor real de cierre, se deber a los mismos factores
estudiados y a que la Red Bayesiana diseñada. Para mejores predicciones puede calibrarse en tiempo
real mediante RSS FEED y lectores de información aplicados a páginas web dedicadas a la publicación
del precio de Bitcoin. Se recomienda ajustar la red en la variable de especulación para responder a la
volatilidad; y la distribución compleja de bitcoin. Es importantísimo detectar limitaciones del modelo,
para la depuración y perfeccionamiento del mismo, que se considera válido y que ha cumplido con el
objetivo a cabalidad. La red debe ser actualizada para que siga aprendiendo los valores de probabilidad
y la estructura.
REFERENCIAS BIBLIOGRÁFICAS
Agudelo A., Giraldo, S. (2022). Niveles óptimos de trading para criptomonedas – Simulación Monte
Carlo para
Alonso, A. (28 de febrero de 2014). Mt. Gox quiebra, Bitcoin continúa. Eldiario.es.
https://www.eldiario.es/tecnologia/diario-turing/mtgox-bitcoins-maleabilidad-fraude-
corralito-karpeless_1_5005709.html.
Álvarez-Díaz, L. (2019). Criptomonedas: Evolución, crecimiento y perspectivas del Bitcoin. Población
y Desarrollo, 25 (49), 130-142. https://doi.org/10.18004/pdfce/2076-054x/2019.025.49.130-
142.
pág. 8444
Amador-Mercado, C. (2022). El análisis PESTEL. UNO Sapiens Boletín Científico de la Escuela
Preparatoria No. 1, 4 (8). 1-2.
https://repository.uaeh.edu.mx/revistas/index.php/prepa1/article/download/8263/8494/.
Andreu, J. (2018). Criptomonedas y el Sistema Monetario: Perspectivas y oportunidades [Tesis de
grado]. Universidad Pontificia Comillas.
https://repositorio.comillas.edu/rest/bitstreams/144674/retrieve.
Arbulo, P., y Basurto, P. (2-4- de septiembre de 2009). Redes bayesianas y estrategia comercial:
estimación del valor del producto para el cliente. XIII Congreso de Ingeniería de Organización,
Terrasa, Barcelona, España. http://adingor.es/congresos/web/uploads/cio/cio2009/1691-
1700.pdf p. 1695
Banco Central del Ecuador. (8 de enero de 2015). Comunicado Oficial Sobre el Uso del Bitcoin. Banco
Central del Ecuador. https://www.bce.fin.ec/boletines-de-prensa-archivo/comunicado-oficial-
sobre-el-uso-del-bitcoin.
Barraza, M. (2014). La investigación bibliográfica. Recuperado el 18 de octubre de 2024 de
http://www.utemvirtual.cl/plataforma/aulavirtual/assets/asigid_1090/contenidos_arc/57730_in
v_bibliografica.pdf.
Barría, C. (11 de enero de 2024). Qué son los bitcoin ETF SPOT y por qué suponen una nueva era para
la mayor criptomoneda del mundo. BBC News Mundo.
https://www.bbc.com/mundo/articles/cnkdd0q79g5o.
Barroilhet Díez, Agustín. (2019). Criptomonedas, economía y derecho. Revista chilena de derecho y
tecnología, 8(1), 29-67. https://dx.doi.org/10.5354/0719-2584.2019.51584.
BBC News Mundo. (20 de noviembre de 2022). FTX: la multimillonaria deuda que la quebrada empresa
de criptomonedas tiene con sus mayores acreedores. BBC News Mundo.
https://www.bbc.com/mundo/noticias-63697771.
BBC News Mundo. (21 de julio de 2022). Tesla: la empresa de Elon Musk vende la mayoría de sus
bitcoin. BBC News Mundo. https://www.bbc.com/mundo/noticias-62232505.
Amador-Mercado, C. (2022). El análisis PESTEL. UNO Sapiens Boletín Científico de la Escuela
Preparatoria No. 1, 4 (8). 1-2.
https://repository.uaeh.edu.mx/revistas/index.php/prepa1/article/download/8263/8494/.
Andreu, J. (2018). Criptomonedas y el Sistema Monetario: Perspectivas y oportunidades [Tesis de
grado]. Universidad Pontificia Comillas.
https://repositorio.comillas.edu/rest/bitstreams/144674/retrieve.
Arbulo, P., y Basurto, P. (2-4- de septiembre de 2009). Redes bayesianas y estrategia comercial:
estimación del valor del producto para el cliente. XIII Congreso de Ingeniería de Organización,
Terrasa, Barcelona, España. http://adingor.es/congresos/web/uploads/cio/cio2009/1691-
1700.pdf p. 1695
Banco Central del Ecuador. (8 de enero de 2015). Comunicado Oficial Sobre el Uso del Bitcoin. Banco
Central del Ecuador. https://www.bce.fin.ec/boletines-de-prensa-archivo/comunicado-oficial-
sobre-el-uso-del-bitcoin.
Barraza, M. (2014). La investigación bibliográfica. Recuperado el 18 de octubre de 2024 de
http://www.utemvirtual.cl/plataforma/aulavirtual/assets/asigid_1090/contenidos_arc/57730_in
v_bibliografica.pdf.
Barría, C. (11 de enero de 2024). Qué son los bitcoin ETF SPOT y por qué suponen una nueva era para
la mayor criptomoneda del mundo. BBC News Mundo.
https://www.bbc.com/mundo/articles/cnkdd0q79g5o.
Barroilhet Díez, Agustín. (2019). Criptomonedas, economía y derecho. Revista chilena de derecho y
tecnología, 8(1), 29-67. https://dx.doi.org/10.5354/0719-2584.2019.51584.
BBC News Mundo. (20 de noviembre de 2022). FTX: la multimillonaria deuda que la quebrada empresa
de criptomonedas tiene con sus mayores acreedores. BBC News Mundo.
https://www.bbc.com/mundo/noticias-63697771.
BBC News Mundo. (21 de julio de 2022). Tesla: la empresa de Elon Musk vende la mayoría de sus
bitcoin. BBC News Mundo. https://www.bbc.com/mundo/noticias-62232505.
pág. 8445
BBC News Mundo. (7 de septiembre de 2021). Bitcoin: El Salvador se convierte este martes en el
primer país del mundo en adoptar la criptomoneda como divisa de curso legal. BBC News
Mundo. https://www.bbc.com/mundo/noticias-america-latina-58441561.
Bitcoin [Tesis de Maestría, Universidad EAFIT]. Repositorio institucional.
https://repository.eafit.edu.co/server/api/core/bitstreams/172ae891-5d7a-4637-9397-
8aaaadc55ffe/content.
Cárdenas, J. (2018). Investigación cuantitativa. trAndeS. Doi: 10.17169/refubium-216.
Chainalysis. (s.f.). Conozca lo que sucede en las blockchain: Michael Gronager. Recuperado el 18 de
octubre de 2024 de https://www.chainalysis.com/es/compania/ .
CoinGecko. (18 de septiembre de 2024). Precios de las criptomonedas según la cap. de mercado.
CoinGecko. Recuperado el 18 de septiembre de 2024 de
https://www.coingecko.com/es/monedas/bitcoin.
Cointelegraph. (s.f.). Noticias de China. Cointelegraph. https://es.cointelegraph.com/tags/china.
Comisión Federal de Consumidores. (2022). Lo que hay que saber sobre las criptomonedas y las
estafas. Comisión Federal de Consumidores. Recuperado 1 de octubre de 2024 de
https://consumidor.ftc.gov/articulos/lo-que-hay-que-saber-sobre-las-criptomonedas-y-las-
estafas.
Cortez, Alexandra, y Tulcanaza, Ana. (2018). Bitcoin: su influencia en el mundo global y su relación
con el mercado de valores. Revista Chakiñan de Ciencias Sociales y Humanidades, (5), 54-72.
http://scielo.senescyt.gob.ec/scielo.php?script=sci_arttext&pid=S2550-
67222018000100054&lng=es&tlng=es.
Crypto.com. (25 de enero de 2024). Breve historia de la cotización del Bitcoin. Crypto.com. Recuperado
el 18 de octubre de 2024 de https://crypto.com/university/es/short-history-of-bitcoin-price.
Dávila Aragón, G., Ortiz Arango, F., & Cruz Aranda, F. (2015). Cálculo del Valor en Riesgo Operacional
mediante Redes Bayesianas para una empresa financiera. Contaduría Y Administración, 61(1),
176- 201. doi: http://dx.doi.org/10.1016/j.cya.2015.09.009.
Delgado, M. y Llorca, J. (2004). Estudios Longitudinales: Concepto y Particularidades. Salud Pública
(2), 141-148. https://scielosp.org/pdf/resp/2004.v78n2/141-148/es.
BBC News Mundo. (7 de septiembre de 2021). Bitcoin: El Salvador se convierte este martes en el
primer país del mundo en adoptar la criptomoneda como divisa de curso legal. BBC News
Mundo. https://www.bbc.com/mundo/noticias-america-latina-58441561.
Bitcoin [Tesis de Maestría, Universidad EAFIT]. Repositorio institucional.
https://repository.eafit.edu.co/server/api/core/bitstreams/172ae891-5d7a-4637-9397-
8aaaadc55ffe/content.
Cárdenas, J. (2018). Investigación cuantitativa. trAndeS. Doi: 10.17169/refubium-216.
Chainalysis. (s.f.). Conozca lo que sucede en las blockchain: Michael Gronager. Recuperado el 18 de
octubre de 2024 de https://www.chainalysis.com/es/compania/ .
CoinGecko. (18 de septiembre de 2024). Precios de las criptomonedas según la cap. de mercado.
CoinGecko. Recuperado el 18 de septiembre de 2024 de
https://www.coingecko.com/es/monedas/bitcoin.
Cointelegraph. (s.f.). Noticias de China. Cointelegraph. https://es.cointelegraph.com/tags/china.
Comisión Federal de Consumidores. (2022). Lo que hay que saber sobre las criptomonedas y las
estafas. Comisión Federal de Consumidores. Recuperado 1 de octubre de 2024 de
https://consumidor.ftc.gov/articulos/lo-que-hay-que-saber-sobre-las-criptomonedas-y-las-
estafas.
Cortez, Alexandra, y Tulcanaza, Ana. (2018). Bitcoin: su influencia en el mundo global y su relación
con el mercado de valores. Revista Chakiñan de Ciencias Sociales y Humanidades, (5), 54-72.
http://scielo.senescyt.gob.ec/scielo.php?script=sci_arttext&pid=S2550-
67222018000100054&lng=es&tlng=es.
Crypto.com. (25 de enero de 2024). Breve historia de la cotización del Bitcoin. Crypto.com. Recuperado
el 18 de octubre de 2024 de https://crypto.com/university/es/short-history-of-bitcoin-price.
Dávila Aragón, G., Ortiz Arango, F., & Cruz Aranda, F. (2015). Cálculo del Valor en Riesgo Operacional
mediante Redes Bayesianas para una empresa financiera. Contaduría Y Administración, 61(1),
176- 201. doi: http://dx.doi.org/10.1016/j.cya.2015.09.009.
Delgado, M. y Llorca, J. (2004). Estudios Longitudinales: Concepto y Particularidades. Salud Pública
(2), 141-148. https://scielosp.org/pdf/resp/2004.v78n2/141-148/es.
pág. 8446
Di Paula, R. (7 de noviembre de 2023). ¿Qué sectores aceptan criptomonedas como forma de pago?
Cointelegraph en español. https://es.cointelegraph.com/news/which-sectors-offer-
cryptocurrencies-as-a-form-of-payment
Díaz López, Manuel Humberto, King-Domínguez, Andrea, & Améstica-Rivas, Luis. (2023).
Estimación de Precios de Bitcoin mediante Regresión Lineal Múltiple y Redes Neuronales.
Podium, (44), 119-132. https://doi.org/10.31095/podium.2023.44.8
Díaz López, Manuel Humberto, King-Domínguez, Andrea, y Améstica-Rivas, Luis. (2023). Estimación
de Precios de Bitcoin mediante Regresión Lineal Múltiple y Redes Neuronales. Podium, (44),
119-132. https://doi.org/10.31095/podium.2023.44.8.
Es.dailyforex.com. (19 de octubre de 22024). John McAfee y sus predicciones de Bitcoin.
Es.dailyforex.com. https://es.dailyforex.com/financial-humor/2019/02/john-mcafee-y-sus-
predicciones-de-bitcon-28-de-febrero-2019/110446
Fiscalía General de la República El Salvador. (s.f.). Regulación sobre criptomonedas, la experiencia en
El Salvador. https://rm.coe.int/presentacion-sobre-normativa-btc-ana-samayoa-
es/1680a49687#:~:text=A%20partir%20del%20d%C3%ADa%207,una%20moneda%20de%2
0curso%20legal.
Hernández, A. (18 de septiembre de 2015). Bitcoin es declarado un commodity oficialmente en EEUU.
Criptonoticias. https://www.criptonoticias.com/regulacion/bitcoin-declarado-commodity-
oficialmente-eeuu/.
Herrera, S. (15 de agosto de 2024). ¿Cómo ha evolucionado el uso de las criptomonedas en Venezuela
desde que Maduro llegó al poder? América economía
https://www.americaeconomia.com/negocios-e-industrias/como-ha-evolucionado-el-uso-de-
las-criptomonedas-en-venezuela-desde-que.
Ig.com. (19 de octubre de 2024). Bitcoin halving: acontecimientos clave. Ig.com. Recuperado el 19 de
octubre de 2024 de https://www.ig.com/es/bitcoin/bitcoin-
halving#:~:text=Se%20calcula%20que%20el%20%C3%BAltimo,a%20una%20direcci%C3%
B3n%20no%20v%C3%A1lida.
Di Paula, R. (7 de noviembre de 2023). ¿Qué sectores aceptan criptomonedas como forma de pago?
Cointelegraph en español. https://es.cointelegraph.com/news/which-sectors-offer-
cryptocurrencies-as-a-form-of-payment
Díaz López, Manuel Humberto, King-Domínguez, Andrea, & Améstica-Rivas, Luis. (2023).
Estimación de Precios de Bitcoin mediante Regresión Lineal Múltiple y Redes Neuronales.
Podium, (44), 119-132. https://doi.org/10.31095/podium.2023.44.8
Díaz López, Manuel Humberto, King-Domínguez, Andrea, y Améstica-Rivas, Luis. (2023). Estimación
de Precios de Bitcoin mediante Regresión Lineal Múltiple y Redes Neuronales. Podium, (44),
119-132. https://doi.org/10.31095/podium.2023.44.8.
Es.dailyforex.com. (19 de octubre de 22024). John McAfee y sus predicciones de Bitcoin.
Es.dailyforex.com. https://es.dailyforex.com/financial-humor/2019/02/john-mcafee-y-sus-
predicciones-de-bitcon-28-de-febrero-2019/110446
Fiscalía General de la República El Salvador. (s.f.). Regulación sobre criptomonedas, la experiencia en
El Salvador. https://rm.coe.int/presentacion-sobre-normativa-btc-ana-samayoa-
es/1680a49687#:~:text=A%20partir%20del%20d%C3%ADa%207,una%20moneda%20de%2
0curso%20legal.
Hernández, A. (18 de septiembre de 2015). Bitcoin es declarado un commodity oficialmente en EEUU.
Criptonoticias. https://www.criptonoticias.com/regulacion/bitcoin-declarado-commodity-
oficialmente-eeuu/.
Herrera, S. (15 de agosto de 2024). ¿Cómo ha evolucionado el uso de las criptomonedas en Venezuela
desde que Maduro llegó al poder? América economía
https://www.americaeconomia.com/negocios-e-industrias/como-ha-evolucionado-el-uso-de-
las-criptomonedas-en-venezuela-desde-que.
Ig.com. (19 de octubre de 2024). Bitcoin halving: acontecimientos clave. Ig.com. Recuperado el 19 de
octubre de 2024 de https://www.ig.com/es/bitcoin/bitcoin-
halving#:~:text=Se%20calcula%20que%20el%20%C3%BAltimo,a%20una%20direcci%C3%
B3n%20no%20v%C3%A1lida.
pág. 8447
Investing.com. (12 de noviembre de 2024). Cripto: Bitcoin. Investing.com. Recuperado el 14 de
noviembre 2024 de https://es.investing.com/crypto/bitcoin.
Iproup.com. (18 de octubre de 2024). Bitcoin inquieto: expertos predicen el comportamiento de la
popular moneda digital en 2020. Iproup.com. https://www.iproup.com/innovacion/10204-
monedas-digitales-expertos-predicen-el-movimiento-del-bitcoin-en-2020
Karp, N., Nava, M., Stacey, B., Cuesta, C., Gouveia, O. y Neut, A. (2013). Observatorio Económico
Global: Bitcoin: un capítulo en la adopción de la moneda digital.
https://www.bbvaresearch.com/wp-
content/uploads/migrados/130731_ObservatorioEconomicoEEUU_Bitcoin_tcm346-
398292.pdf.
Kaur, G. (17 de febrero de 2024). Halving de Bitcoin - ¿Cómo funciona el ciclo de halving y por qué
es importante?. Cointelegraph.com. Recuperado el 18 de octubre de 2024 de
https://es.cointelegraph.com/learn/bitcoin-halving-how-does-the-halving-cycle-work-and-
why-does-it-matter.
Khalili, J. (31 de julio de 2024). El plan de Donald Trump de acumular millones de dólares en bitcoin
no tiene sentido, advierten economistas. Wired. https://es.wired.com/articulos/plan-de-donald-
trump-de-acumular-millones-de-dolares-en-bitcoin-no-tiene-sentido-advierten-economistas.
Lahiri, I. (20 de abril de 2024). Los precios del bitcoin suelen subir durante varios meses tras una
reducción a la mitad. Sin embargo, esta vez el mercado espera que la reducción a la mitad
('halving') sea diferente. Euronews. Recuperado el 18 de octubre de 2024 de
https://es.euronews.com/business/2024/04/20/que-va-a-cambiar-esta-vez-con-el-halving-de-
bitcoin#:~:text=La%20%C3%BAltima%20reducci%C3%B3n%20a%20la,vez%20cada%202
10.000%20bloques%20minados.
Literak Leos. (13 de febrero de 2011). Bitcoin dosáhl parity s dolarem. Abclinuxu.cz. Recuperado el 18
de octubre de 2024 de https://www.abclinuxu.cz/zpravicky/bitcoin-dosahl-parity-s-dolarem.
Livesay, B. (17 de julio de 2024). Trump courts crypto industry votes and campaign donations. BBC
News. Recuperado el 1 de octubre de 2024
dehttps://www.bbc.com/news/articles/cne4n2xdylvo.
Investing.com. (12 de noviembre de 2024). Cripto: Bitcoin. Investing.com. Recuperado el 14 de
noviembre 2024 de https://es.investing.com/crypto/bitcoin.
Iproup.com. (18 de octubre de 2024). Bitcoin inquieto: expertos predicen el comportamiento de la
popular moneda digital en 2020. Iproup.com. https://www.iproup.com/innovacion/10204-
monedas-digitales-expertos-predicen-el-movimiento-del-bitcoin-en-2020
Karp, N., Nava, M., Stacey, B., Cuesta, C., Gouveia, O. y Neut, A. (2013). Observatorio Económico
Global: Bitcoin: un capítulo en la adopción de la moneda digital.
https://www.bbvaresearch.com/wp-
content/uploads/migrados/130731_ObservatorioEconomicoEEUU_Bitcoin_tcm346-
398292.pdf.
Kaur, G. (17 de febrero de 2024). Halving de Bitcoin - ¿Cómo funciona el ciclo de halving y por qué
es importante?. Cointelegraph.com. Recuperado el 18 de octubre de 2024 de
https://es.cointelegraph.com/learn/bitcoin-halving-how-does-the-halving-cycle-work-and-
why-does-it-matter.
Khalili, J. (31 de julio de 2024). El plan de Donald Trump de acumular millones de dólares en bitcoin
no tiene sentido, advierten economistas. Wired. https://es.wired.com/articulos/plan-de-donald-
trump-de-acumular-millones-de-dolares-en-bitcoin-no-tiene-sentido-advierten-economistas.
Lahiri, I. (20 de abril de 2024). Los precios del bitcoin suelen subir durante varios meses tras una
reducción a la mitad. Sin embargo, esta vez el mercado espera que la reducción a la mitad
('halving') sea diferente. Euronews. Recuperado el 18 de octubre de 2024 de
https://es.euronews.com/business/2024/04/20/que-va-a-cambiar-esta-vez-con-el-halving-de-
bitcoin#:~:text=La%20%C3%BAltima%20reducci%C3%B3n%20a%20la,vez%20cada%202
10.000%20bloques%20minados.
Literak Leos. (13 de febrero de 2011). Bitcoin dosáhl parity s dolarem. Abclinuxu.cz. Recuperado el 18
de octubre de 2024 de https://www.abclinuxu.cz/zpravicky/bitcoin-dosahl-parity-s-dolarem.
Livesay, B. (17 de julio de 2024). Trump courts crypto industry votes and campaign donations. BBC
News. Recuperado el 1 de octubre de 2024
dehttps://www.bbc.com/news/articles/cne4n2xdylvo.
pág. 8448
Lloveras, J. (2022). Geopolítica y Criptomonedas en la República Centroafricana. CIDOB opinión, 723
(s.n.) 1-3. https://www.cidob.org/publicaciones/geopolitica-y-criptomonedas-en-la-republica-
centroafricana.
Lord Draugr. [@LordDraugr] (18 de agosto 2024). El Hackeo Que "Casi" Acaba Con Bitcoin | Caso
MTGOX [Video]. https://www.youtube.com/watch?v=NiwL43iGNdw.
Macías, J., Barahona, L. y Barzola, H. (2021). Procedencia de los convenios de pagos en materia de
contratación pública. Revista Dilemas Contemporáneos: Educación, Política y Valores, 8
(Edición Especial). 1-17. https://www.scielo.org.mx/pdf/dilemas/v8nspe3/2007-7890-dilemas-
8-spe3-00045.pdf.
Maldonado, A. (19 de octubre de 2024). Predicción del precio de Bitcoin 2023-2031.
https://changelly.com/blog/es/bitcoin-prediccion/
Martínez, M. (20 de octubre de 2021) ¿Cuánto costaba el Bitcoin en 2010? Así ha evolucionado el
precio de la criptomoneda. Heraldo Binario.
https://www.heraldobinario.com.mx/criptomonedas/2021/10/20/cuanto-costaba-elbitcoin-en-
2010-asi-ha-evolucionado-el-precio-de-la-criptomoneda-16178.html
Martínez, M., López, I., y Ruth, O. (2014). La aplicación del método deductivo en la clasificación
arancelaria de mercancías de comercio internacional, Ecorfan.
https://www.studocu.com/bo/document/universidad-tecnologica-boliviana/derecho-
laboral/articulo-7-resolucion-7/50341421.
Merchant, B. (26 de marzo de 2013). This Pizza Cost $750,000. Motherboard. Recuperado el 18 de
octubre de 2024 de
https://web.archive.org/web/20170112125248/http://motherboard.vice.com/blog/this-pizza-is-
worth-750000.
Miler, S. (2011). Tipos de Investigación Científica. Revista de Actualización Clínica 9 (s.n.), 621-624.
http://revistasbolivianas.umsa.bo/pdf/raci/v12/v12_a11.pdf.
Nakamoto, S. (2008). Bitcoin: Un Sistema de Efectivo Electrónico Usuario-a-Usuario.
https://bitcoin.org/files/bitcoin-paper/bitcoin_es_latam.pdf.
Lloveras, J. (2022). Geopolítica y Criptomonedas en la República Centroafricana. CIDOB opinión, 723
(s.n.) 1-3. https://www.cidob.org/publicaciones/geopolitica-y-criptomonedas-en-la-republica-
centroafricana.
Lord Draugr. [@LordDraugr] (18 de agosto 2024). El Hackeo Que "Casi" Acaba Con Bitcoin | Caso
MTGOX [Video]. https://www.youtube.com/watch?v=NiwL43iGNdw.
Macías, J., Barahona, L. y Barzola, H. (2021). Procedencia de los convenios de pagos en materia de
contratación pública. Revista Dilemas Contemporáneos: Educación, Política y Valores, 8
(Edición Especial). 1-17. https://www.scielo.org.mx/pdf/dilemas/v8nspe3/2007-7890-dilemas-
8-spe3-00045.pdf.
Maldonado, A. (19 de octubre de 2024). Predicción del precio de Bitcoin 2023-2031.
https://changelly.com/blog/es/bitcoin-prediccion/
Martínez, M. (20 de octubre de 2021) ¿Cuánto costaba el Bitcoin en 2010? Así ha evolucionado el
precio de la criptomoneda. Heraldo Binario.
https://www.heraldobinario.com.mx/criptomonedas/2021/10/20/cuanto-costaba-elbitcoin-en-
2010-asi-ha-evolucionado-el-precio-de-la-criptomoneda-16178.html
Martínez, M., López, I., y Ruth, O. (2014). La aplicación del método deductivo en la clasificación
arancelaria de mercancías de comercio internacional, Ecorfan.
https://www.studocu.com/bo/document/universidad-tecnologica-boliviana/derecho-
laboral/articulo-7-resolucion-7/50341421.
Merchant, B. (26 de marzo de 2013). This Pizza Cost $750,000. Motherboard. Recuperado el 18 de
octubre de 2024 de
https://web.archive.org/web/20170112125248/http://motherboard.vice.com/blog/this-pizza-is-
worth-750000.
Miler, S. (2011). Tipos de Investigación Científica. Revista de Actualización Clínica 9 (s.n.), 621-624.
http://revistasbolivianas.umsa.bo/pdf/raci/v12/v12_a11.pdf.
Nakamoto, S. (2008). Bitcoin: Un Sistema de Efectivo Electrónico Usuario-a-Usuario.
https://bitcoin.org/files/bitcoin-paper/bitcoin_es_latam.pdf.
pág. 8449
News.bitcoin.com. (26 de septiembre de 2024). El comentario de Kamala Harris sobre Blockchain
provoca reacciones mixtas en la comunidad criptográfica. News.bitcoin.com.
https://news.bitcoin.com/es/el-comentario-de-kamala-harris-sobre-blockchain-provoca-
reacciones-mixtas-en-la-comunidad-criptografica/.
Noticias Parlamento Europeo. (20 de abril de 2023). Luz verde del Parlamento a la primera regulación
europea sobre criptoactivos. Noticias Parlamento Europeo.
https://www.europarl.europa.eu/news/es/press-room/20230414IPR80133/luz-verde-del-
parlamento-a-la-primera-regulacion-europea-sobre-criptoactivos.
Observatorio Económico Latinoamericano. (s.f.). Acerca del Renminbi. Observatorio Económico
Latinoamericano. Recuperado el 18 de octubre de 2024 de
https://www.obela.org/content/acerca-del-
renminbi#:~:text=En%20enero%20de%202016%2C%20se,fuerte%20a%20principios%20de
%202014.
Ordóñez Sánchez Sergio Gabriel. (2021). Educación financiera basada en el bitcoin y la inclusión en
planes de estudio. RIDE. Revista Iberoamericana para la Investigación y el Desarrollo
Educativo, 12 (22), 1-39.
https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S2007-74672021000100185.
Regal, Andrés, Morzán, Juandiego, Fabbri, Carlos, Herrera, Gonzalo, Yaulli, Gabriela, Palomino,
Andrea, & Gil, Claudia. (2019). Proyección del precio de criptomonedas basado en Tweets
empleando LSTM. Ingeniare. Revista chilena de ingeniería, 27(4), 696-706.
https://dx.doi.org/10.4067/S0718-33052019000400696
Regal, Andrés, Morzán, Juandiego, Fabbri, Carlos, Herrera, Gonzalo, Yaulli, Gabriela, Palomino,
Andrea, y Gil, Claudia. (2019). Proyección del precio de criptomonedas basado en Tweets
empleando LSTM. Ingeniare. Revista chilena de ingeniería, 27(4), 696-706.
https://dx.doi.org/10.4067/S0718-33052019000400696.
Rizzo, P. (24 de marzo de 2014). BTC Price Declines Following False Report of Bitcoin Ban in China.
Coindesk.com. https://www.coindesk.com/markets/2014/03/21/btc-price-declines-following-
false-report-of-bitcoin-ban-in-china/.
News.bitcoin.com. (26 de septiembre de 2024). El comentario de Kamala Harris sobre Blockchain
provoca reacciones mixtas en la comunidad criptográfica. News.bitcoin.com.
https://news.bitcoin.com/es/el-comentario-de-kamala-harris-sobre-blockchain-provoca-
reacciones-mixtas-en-la-comunidad-criptografica/.
Noticias Parlamento Europeo. (20 de abril de 2023). Luz verde del Parlamento a la primera regulación
europea sobre criptoactivos. Noticias Parlamento Europeo.
https://www.europarl.europa.eu/news/es/press-room/20230414IPR80133/luz-verde-del-
parlamento-a-la-primera-regulacion-europea-sobre-criptoactivos.
Observatorio Económico Latinoamericano. (s.f.). Acerca del Renminbi. Observatorio Económico
Latinoamericano. Recuperado el 18 de octubre de 2024 de
https://www.obela.org/content/acerca-del-
renminbi#:~:text=En%20enero%20de%202016%2C%20se,fuerte%20a%20principios%20de
%202014.
Ordóñez Sánchez Sergio Gabriel. (2021). Educación financiera basada en el bitcoin y la inclusión en
planes de estudio. RIDE. Revista Iberoamericana para la Investigación y el Desarrollo
Educativo, 12 (22), 1-39.
https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S2007-74672021000100185.
Regal, Andrés, Morzán, Juandiego, Fabbri, Carlos, Herrera, Gonzalo, Yaulli, Gabriela, Palomino,
Andrea, & Gil, Claudia. (2019). Proyección del precio de criptomonedas basado en Tweets
empleando LSTM. Ingeniare. Revista chilena de ingeniería, 27(4), 696-706.
https://dx.doi.org/10.4067/S0718-33052019000400696
Regal, Andrés, Morzán, Juandiego, Fabbri, Carlos, Herrera, Gonzalo, Yaulli, Gabriela, Palomino,
Andrea, y Gil, Claudia. (2019). Proyección del precio de criptomonedas basado en Tweets
empleando LSTM. Ingeniare. Revista chilena de ingeniería, 27(4), 696-706.
https://dx.doi.org/10.4067/S0718-33052019000400696.
Rizzo, P. (24 de marzo de 2014). BTC Price Declines Following False Report of Bitcoin Ban in China.
Coindesk.com. https://www.coindesk.com/markets/2014/03/21/btc-price-declines-following-
false-report-of-bitcoin-ban-in-china/.
pág. 8450
Ruiz, D., (2012). Diseño de un modelo de pronóstico de precios en acciones mediante Redes Bayesianas
[Tesis de grado]. Universidad de Los Andes. Repositorio institucional.
https://repositorio.uniandes.edu.co/server/api/core/bitstreams/baa8ad30-4f14-43fb-ab27-
113d672aa1bf/content
Sánchez, A. (16 de febrero de 2021). El bitcoin supera los 50.000 dólares y marca un nuevo récord
histórico. El País. Recuperado el 18 de octubre de 2024 de https://elpais.com/economia/2021-
02-16/el-bitcoin-rompe-la-barrera-de-los-50000-dolares-por-primera-vez.html.
Secretaría de Hacienda y Crédito Público (28 de junio de 2021). Comunicado No. 039 Banco de México,
SHCP y CNBV advierten sobre riesgos de utilizar activos virtuales. Gobierno de México.
Recuperado el 30 de septiembre de 2024 de https://www.gob.mx/shcp/prensa/banco-de-
mexico-shcp-y-cnbv-advierten-sobre-riesgos-de-utilizar-activos-virtuales-275819.
Sucar, L. (s.f.). Redes Bayesianas. Instituto Nacional de Astrofísica, Óptica y Electrónica.
https://ccc.inaoep.mx/~esucar/Clases-mgp/caprb.pdf.
US Sentencing Comission. (2018). Bitcoin Glossary: 2018 Annual National Seminar. US Sentencing
Commission, 2018. https://www.ussc.gov/sites/default/files/pdf/training/annual-national-
training-seminar/2018/Emerging_Tech_Bitcoin_Crypto.pdf.
Vargas, J. C., y Cruz-Carpio, Carlos Andrés. (2020). Estudio del método Monte Carlo en simulaciones
para la estimación del valor de π. Revista Boliviana de Física, 36(36), 26-32. Recuperado en
20 de octubre de 2024, de http://www.scielo.org.bo/scielo.php?script=sci_arttext&pid=S1562-
38232020000100005&lng=es&tlng=es.
Ruiz, D., (2012). Diseño de un modelo de pronóstico de precios en acciones mediante Redes Bayesianas
[Tesis de grado]. Universidad de Los Andes. Repositorio institucional.
https://repositorio.uniandes.edu.co/server/api/core/bitstreams/baa8ad30-4f14-43fb-ab27-
113d672aa1bf/content
Sánchez, A. (16 de febrero de 2021). El bitcoin supera los 50.000 dólares y marca un nuevo récord
histórico. El País. Recuperado el 18 de octubre de 2024 de https://elpais.com/economia/2021-
02-16/el-bitcoin-rompe-la-barrera-de-los-50000-dolares-por-primera-vez.html.
Secretaría de Hacienda y Crédito Público (28 de junio de 2021). Comunicado No. 039 Banco de México,
SHCP y CNBV advierten sobre riesgos de utilizar activos virtuales. Gobierno de México.
Recuperado el 30 de septiembre de 2024 de https://www.gob.mx/shcp/prensa/banco-de-
mexico-shcp-y-cnbv-advierten-sobre-riesgos-de-utilizar-activos-virtuales-275819.
Sucar, L. (s.f.). Redes Bayesianas. Instituto Nacional de Astrofísica, Óptica y Electrónica.
https://ccc.inaoep.mx/~esucar/Clases-mgp/caprb.pdf.
US Sentencing Comission. (2018). Bitcoin Glossary: 2018 Annual National Seminar. US Sentencing
Commission, 2018. https://www.ussc.gov/sites/default/files/pdf/training/annual-national-
training-seminar/2018/Emerging_Tech_Bitcoin_Crypto.pdf.
Vargas, J. C., y Cruz-Carpio, Carlos Andrés. (2020). Estudio del método Monte Carlo en simulaciones
para la estimación del valor de π. Revista Boliviana de Física, 36(36), 26-32. Recuperado en
20 de octubre de 2024, de http://www.scielo.org.bo/scielo.php?script=sci_arttext&pid=S1562-
38232020000100005&lng=es&tlng=es.