Orienta��o: REZENDE, Marcelo Novaes de

Ano: 2019

 Algoritmos de machine learning têm se destacado atualmente em várias indústrias, tendo como exemplos: previsão em bolsa de valores, carros autônomos e reconhecimento de voz. Recentemente, a criptomoeda Bitcoin passou a ser um ativo negociado em corretoras e, dada sua natureza volátil e não linear, as redes neurais são geralmente indicadas para aprender seu padrão. Entre os vários tipos de redes neurais, o potencial da long short-term memory tem sido pesquisado na academia para previsão da direção do preço do Bitcoin, pois, além de ser desenhada para receber dados sequenciais, ela apresenta funcionalidades como a de memorizar eventos importantes ou esquecê-los quando não tão relevantes, e tais características são promissoras e podem trazer bons resultados. Um método que possibilita aumentar a acurácia de machine learning é o ensemble, que trabalha com um conjunto de algoritmos, em vez de apenas um, proporcionando, dessa maneira, uma opinião mais generalizada durante a predição. Essa abordagem já foi explorada para a previsão da tendência do preço do Bitcoin e melhorou a acurácia em um ensemble de redes multilayer perceptron. Os indicadores técnicos, como features, foram muito estudados para o mercado de ações, entretanto, para Bitcoin, ainda foram pouco explorados. Assim, neste estudo, é apresentado um método de ensemble de LSTMs para previsão da tendência do preço do Bitcoin que utiliza 15 indicadores técnicos como features. O método proposto foi implementado e obteve 64% de acurácia na previsão de 50 dias do dataset de back-testing, portanto mostrando-se atrativo, uma vez que o melhor modelo individual LSTM conseguiu 62% de acurácia, o que evidencia a vantagem do ensemble. O potencial preditivo dos indicadores técnicos também foi avaliado pelos modelos, os quais obtiveram de 52% a 62% de acurácia durante o back-testing. Por outro lado, o modelo com as métricas do preço do Bitcoin, isto é, sem indicadores técnicos, conseguiu apenas 50% de acurácia.

Acesse: cassiopea.ipt.br/teses/2019_EC_Ricardo_Brito.pdf