Sistema modularizado para entrenar y comparar tres arquitecturas de redes neuronales GRU para la predicción de precios de Bitcoin. Incluye un dashboard interactivo construido con Dash para visualizar y analizar el desempeño de los modelos.

• Tres modelos GRU diferentes:

  • Simple: Arquitectura básica con 1 capa GRU
  • Avanzado: Modelo mejorado con 2 capas GRU, normalización y dropout
  • Profundo: Arquitectura profunda con 3 capas GRU, regularización completa

• Dashboard interactivo con:

  • Comparación en tiempo real de predicciones vs valores reales
  • Selector de rango de fechas
  • Métricas RMSE y MAE por modelo
  • Análisis de residuos y distribución de errores
  • Curvas de aprendizaje durante el entrenamiento
  • 4 pestañas temáticas (Comparación General + 1 por modelo)

• Arquitectura modularizada:

  • Separación clara de responsabilidades
  • Carga de datos
  • Preprocesamiento
  • Definición de modelos
  • Entrenamiento
  • Persistencia
  • Dashboard interactivo

tensorflow>=2.10.0
keras>=2.10.0
scikit-learn>=1.0.0
pandas>=1.3.0
numpy>=1.21.0
plotly>=5.0.0
dash>=2.0.0
dash-bootstrap-components>=1.0.0
joblib>=1.0.0

1. Clonar o descargar el proyecto

2. Instalar dependencias:

pip install -r requirements.txt

3. Asegurarse de tener el archivo CSV de datos:

corr_bitcoin_diario_clausura.csv

El CSV debe contener una columna de precios con uno de estos nombres:

• clausura
• close
• Close
• price

project/
├── main.py                      # Punto de entrada principal
├── config/
│   ├── custom_loss.py          # Función de pérdida personalizada
│   └── settings.py             # Configuración global
├── data/
│   ├── load_data.py            # Carga de archivos CSV
│   └── preprocess.py           # Normalización y creación de ventanas
├── models/
│   ├── architectures.py        # Definición de arquitecturas GRU
│   └── train_models.py         # Lógica de entrenamiento
├── dashboard/
│   ├── build_dashboard.py      # Configuración principal del dashboard
│   ├── app_layout.py           # Estructura HTML/componentes
│   └── callbacks.py            # Lógica interactiva de gráficos
├── utils/
│   └── persistence.py          # Guardar/cargar datos
└── README.md

python main.py

Este comando:

• Carga el archivo CSV
• Normaliza los datos (0-1)
• Crea ventanas temporales (14 días)
• Entrena los 3 modelos con early stopping y reducción de learning rate
• Guarda los modelos en archivos .h5
• Persiste datos en datos_dashboard.save
• Inicia el dashboard en http://localhost:8050

Una vez ejecutado python main.py, abre tu navegador en:

http://localhost:8050

CSV → Detección de columna precio → Extracción de serie de precios

Datos originales → Normalización MinMax (0-1) → Creación de ventanas (14 días)

70% entrenamiento | 30% validación → Entrenamiento 100 épocas → Early Stopping

Parámetros de entrenamiento:

• Épocas: 100 (con early stopping si no mejora)
• Batch size: 32
• Validación: 30% de los datos
• Optimizador: Adam
• Loss: MSE personalizado
• Callbacks:
  • EarlyStopping: Paciencia de 15 épocas
  • ReduceLROnPlateau: Reduce learning rate cada 5 épocas sin mejora

Predicciones sobre datos de test → Cálculo RMSE y MAE → Almacenamiento de métricas

Carga modelos entrenados → Genera predicciones → Muestra visualizaciones interactivas

• Gráfico principal: Superpone predicciones de los 3 modelos con valores reales
• Distribución de errores: Box plots mostrando rango y outliers por modelo
• Métricas comparativas: Barras con RMSE y MAE
• Análisis de residuos: Scatter plot de errores vs predicciones

Cada modelo tiene 5 gráficos:

1. Predicciones vs Real: Línea temporal de predicciones superpuesta con valores reales
2. Residuos: Errores a lo largo del tiempo con línea de media
3. Curva de aprendizaje: Pérdida en entrenamiento vs validación
4. Distribución de errores: Histograma de errores
5. Métricas temporales: MAE con ventana móvil de 7 días

Filtra todos los gráficos por rango de fechas seleccionado. Por defecto muestra últimos 180 días.

Para modificar parámetros, edita main.py:

VENTANA = 14              # Tamaño de ventana temporal (días)
TRAIN_SIZE = 0.7          # Proporción de datos para entrenamiento
epochs = 100              # Número máximo de épocas
batch_size = 32           # Tamaño de lote
learning_rate = 0.001     # Tasa de aprendizaje (modelos avanzado/profundo)

• Penaliza más los errores grandes
• Mejor para penalizar predicciones muy alejadas
• Unidades: USD
• Rango típico: 100-500 para Bitcoin

• Error promedio absoluto
• Más robusto frente a outliers
• Unidades: USD
• Rango típico: 50-200 para Bitcoin

Mejor modelo: Aquel con RMSE y MAE menores

Después de ejecutar, se crean:

modelo_Simple.h5          # Modelo Simple entrenado
modelo_Avanzado.h5        # Modelo Avanzado entrenado
modelo_Profundo.h5        # Modelo Profundo entrenado
datos_dashboard.save      # Datos persistidos (pickle con joblib)

Para limpiar y reentrenar:

rm modelo_*.h5 datos_dashboard.save
python main.py

Causa: El CSV no tiene una columna con nombre clausura, close, Close o price

Solución:

1. Verifica los nombres exactos de columnas en tu CSV
2. Modifica la línea en main.py:

price_col = next((col for col in ['tu_columna'] if col in df.columns), None)

Causa: El CSV no tiene fechas o están en formato no reconocido

Solución:

1. Asegúrate de que el CSV tenga una columna de fechas
2. O que el índice sea reconocible como fechas

Causa: Puerto 8050 ya está en uso

Solución:

# En dashboard/build_dashboard.py, cambiar:
app.run(debug=True, port=8051)  # Usar otro puerto

Causa: Dataset muy grande o modelo profundo

Solución:

1. Reducir batch_size de 32 a 16
2. Usar ventana más pequeña (10 en lugar de 14)
3. Usar modelo Simple en lugar de Profundo

Archivo cargado. Columnas disponibles: ['fecha', 'clausura', 'volumen']
Columna de precio detectada: clausura
⚙️ Entrenando modelo Simple...
✔ Simple - RMSE: 245.32
⚙️ Entrenando modelo Avanzado...
✔ Avanzado - RMSE: 198.45
⚙️ Entrenando modelo Profundo...
✔ Profundo - RMSE: 156.78
Entrenamiento completado. Iniciando dashboard...
Dash is running on http://127.0.0.1:8050

• Tiempo de entrenamiento: ~5-10 minutos en CPU, <2 minutos en GPU
• Tiempo de carga del dashboard: <5 segundos
• Tiempo de actualización de gráficos: <2 segundos por cambio de rango de fechas

• Agregar más modelos (LSTM, Transformer)
• Exportar predicciones a CSV
• Predicciones futuras (forecasting)
• Backtesting de estrategias
• Integración con APIs en tiempo real
• Configuración por archivo YAML
• Tests unitarios

Proyecto educativo sin restricciones de uso.

Para reportar bugs o sugerencias, contacta al desarrollador.