Predição de séries temporais aplicada ao mercado de criptomoedas.

Abstract

O Bitcoin é uma moeda digital descentralizada, que surgiu com a finalidade de substituir os meios de pagamento atuais, porém ele enfrenta grandes desconfianças dos investidores e usuários devido à volatilidade de seus valores. Uma forma de mitigar essa volatilidade é aplicar inteligência computacional baseada em algoritmos de aprendizado de máquina, com o intuito de predizer os valores de sua cotação. Este trabalho busca aplicar uma Rede Neural Recorrente (RNN) utilizando-se da série histórica do Bitcoin para realizar a predição da curva relativa ao valor de fechamento diário. Para realizar o treinamento do algoritmo, foi utilizada a base de dados Bitstamp da CryptoDataDownload. Os dados utilizados são relativos à paridade BTCUSD no período de 28/11/2014 até 29/11/2019. Diversos indicadores foram avaliados e combinados para verificar a qualidade da geração do modelo, porém o melhor resultado obtido utilizou apenas o indicador de curva (valor de fechamento diário) com uma raiz quadrada do erro quadrático médio (do Inglês root mean square error - RMSE) de 260.137, sendo esse valor um parâmetro para pesquisas futuras.