# U8 · Redes neuronales, LSTM y GNN aplicadas a blockchain

**Material elaborado por el profesor Sergio Gevatschnaider.**

[Abrir unidad](https://sgevatschnaider.github.io/blockchain-finanzas-descentralizadas/unidades/u08-redes-neuronales-lstm-gnn-blockchain/) · [Visor de presentaciones](https://sgevatschnaider.github.io/blockchain-finanzas-descentralizadas/unidades/u08-redes-neuronales-lstm-gnn-blockchain/materiales/) · [Descargar las cinco presentaciones en PPTX y PDF](materiales/U8_Presentaciones_Sergio_Gevatschnaider.zip)

## Propósito y conocimientos previos

La unidad conecta fundamentos de redes neuronales, modelado temporal y análisis de grafos con Bitcoin y Ethereum. El objetivo es diseñar y evaluar un experimento reproducible, interpretar sus resultados y reconocer sus límites.

Se recomienda conocer retornos, vectores, matrices y Python básico. U2 y U3 aportan los modelos de datos de Bitcoin y Ethereum; U6 introduce trading y series temporales; U7 aporta analítica con Python.

## Ruta de estudio

| Orden | Presentación | Diapositivas | Tema central |
|---|---|---:|---|
| 00 | Introducción a las redes neuronales | 18 | Neurona, activaciones, pérdidas, gradiente y generalización |
| 01 | Metodología de ML en blockchain | 16 | Objetivo, disponibilidad, baselines, walk-forward y métricas |
| 02 | LSTM y GRU para Bitcoin y Ethereum | 19 | Ventanas, compuertas, estados y entrenamiento temporal |
| 03 | GNN aplicadas a blockchain | 20 | Grafos, GCN, GraphSAGE, GAT, Elliptic y protocolos |
| 04 | Integrador LSTM y GNN | 16 | Pooling, fusión, ablación, explicabilidad y proyecto |
| | **Total** | **89** | **Cinco PowerPoint editables y cinco PDF correspondientes** |

Las notas del presentador desarrollan las explicaciones, los supuestos de los ejemplos y las fuentes. Las cifras ilustrativas se identifican como sintéticas; no se presentan como resultados empíricos de Bitcoin o Ethereum.

## Proyecto integrador

1. Definir unidad de observación, objetivo, horizonte y momento de decisión.
2. Documentar fuentes, cobertura, timestamps, disponibilidad y maduración de etiquetas.
3. Comparar baselines, modelos tabulares y temporales; incorporar grafos cuando la pregunta lo justifique.
4. Usar los mismos folds, métricas y presupuesto de selección. Ajustar transformaciones sólo en entrenamiento.
5. Entregar notebook, configuración, predicciones fechadas, métricas por fold, errores y ablaciones.
6. Defender el valor incremental y las limitaciones. Un resultado sin mejora también puede ser una conclusión válida.

La rúbrica distribuye 20 % a formulación, 15 % a datos, 20 % a validación, 15 % a modelos, 15 % a interpretación y 15 % a comunicación.

## Archivos y revisión

- [Manifest del visor](materiales/decks.json): títulos, orden, rutas y conteos.
- [Contenido docente y notas](materiales/contenido-docente.json): texto estructurado y referencias.
- [Informe de revisión](REVISION.md): cambios conceptuales y verificaciones.
- [PPTX](materiales/pptx/) y [PDF](materiales/pdf/): versiones revisadas del 2 de octubre de 2026.

La introducción es una presentación nueva. Las presentaciones 01–03 revisan los PowerPoint recibidos. El integrador 04 se reconstruyó como PowerPoint editable a partir del PDF recibido. Los originales aportados no se sobrescribieron.

## Laboratorios y guía de actividades

[Abrir los ocho laboratorios](simuladores/) · [Guía completa en HTML](recursos/guia-simuladores.html) · [Guía PDF revisada, 33 páginas](recursos/Guia_U8_Simuladores_Sergio_Gevatschnaider.pdf)

| Lab | Recurso | Qué se calcula |
|---|---|---|
| 01 | [Ventanas temporales y LSTM](simuladores/01_ventanas_lstm.html) | Datos sintéticos · sin entrenamiento |
| 02 | [Data Leakage y walk-forward](simuladores/02_data_leakage_walk_forward.html) | Ridge ajustada · datos sintéticos |
| 03 | [Arena de pronósticos BTC / ETH](simuladores/03_arena_modelos_btc_eth.html) | Perfiles sintéticos · sin entrenamiento |
| 04 | [LSTM vs GRU](simuladores/04_lstm_vs_gru.html) | Conteo exacto · curvas sintéticas |
| 05 | [Blockchain como grafo](simuladores/05_blockchain_grafo.html) | Grafo sintético · centralidad calculada |
| 06 | [GNN: propagación de mensajes](simuladores/06_gnn_message_passing.html) | Pesos fijos · cálculo de capas |
| 07 | [Integrador GNN + LSTM / GRU](simuladores/07_integrador_gnn_lstm.html) | Pesos fijos · prefijo causal |
| 08 | [Explorador SHAP](simuladores/08_shap_explorer.html) | Modelo lineal · SHAP exacto bajo supuestos |

Cada laboratorio ofrece modo claro/oscuro, interfaz ES/EN, pantalla completa, reinicio, exportación JSON/SVG y actividad guiada. El registro conserva autoría, configuración y resultados. El avance se guarda sólo en el navegador; no asigna una calificación.

La arena genera perfiles de pronóstico fijos inspirados en familias de modelos: no entrena AR, RF, XGBoost, LSTM ni GRU. Sus métricas se calculan sobre los mismos targets sintéticos. Las GNN y celdas recurrentes usan pesos fijos. El laboratorio 02 ajusta ridge con escalado train-only y etiquetas maduras.

Los módulos y estilos son locales; no necesitan APIs ni cotizaciones. Para ejecutar una copia del repositorio: `python3 -m http.server 8000` desde la raíz y abrir la unidad en `http://localhost:8000/unidades/u08-redes-neuronales-lstm-gnn-blockchain/`. Los módulos ES requieren HTTP; abrir cada HTML directamente como `file://` no basta.

El texto fuente de la guía está en [guia-contenido.json](recursos/guia-contenido.json); el generador [build-u08-guide.py](../../scripts/build-u08-guide.py) recrea HTML y PDF con ReportLab y tipografías DejaVu Sans.

La guía conserva y desarrolla todos sus vocabularios originales, actualiza controles y agrega ejemplos comprobables. El [glosario independiente de 145 términos](recursos/glosario.html) conserva los 133 conceptos recibidos y agrega 12 complementarios para cubrir los laboratorios y la lectura recomendada. Cada entrada incluye definición ES/EN, ejemplo, lectura crítica, términos relacionados y laboratorio. Ofrece búsqueda sin distinción de acentos, filtros combinados, enlaces por término, impresión, descarga HTML autocontenida y temas compartidos con la unidad.

Verificación adicional: `node scripts/test-u08-math.mjs` y `node scripts/browser-u08-labs.cjs` (este último requiere Playwright, Chromium y servidor HTTP en el puerto 4173).

## Glosario y lectura complementaria

- [Consultar glosario · 145 términos](recursos/glosario.html).
- [Leer artículo: TikTok y GNN ↗](https://sgevatschnaider.github.io/es/articulos/tiktok/index.html), **Cómo TikTok sabe lo que querés ver**, del profesor Sergio Gevatschnaider.

Lectura recomendada después del laboratorio 06. Comparar el grafo bipartito usuario-video con un grafo de direcciones o transacciones; identificar atributos, vecinos y objetivo. El artículo ofrece una analogía didáctica: su fórmula de ranking no documenta la arquitectura interna de TikTok. La documentación pública de TikTok sobre recomendaciones aparece entre las fuentes del glosario.

El glosario descargado puede abrirse directamente sin servidor ni conexión para consultar y filtrar términos; navegar al campus o a fuentes externas requiere internet. Su fuente está en [glosario-datos.json](recursos/glosario-datos.json) y se reconstruye con `python3 scripts/build-u08-glossary.py`. La CI verifica conservación, bilingüismo, filtros, vínculos, impresión y diseño 1440/390/320.

[← U7 · Python y Blockchain Analytics](../u07-python-blockchain-analytics/) · [Campus](../../index.html)
