Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/2394
Título: Predição de séries temporais aplicada ao mercado de criptomoedas.
Autor(es): Almeida, Charllon Lobo
Orientador(es): Luz, Eduardo José da Silva
Silva Junior, Júlio César Araújo da
Membros da banca: Gertrudes, Jadson Castro
Santos, Valéria de Carvalho
Luz, Eduardo José da Silva
Silva Junior, Júlio César Araújo da
Palavras-chave: Transferência eletrônica de fundos
Bitcoin
Aprendizagem
Mercado financeiro
Data do documento: 2019
Referência: ALMEIDA, Charllon Lobo. Predição de séries temporais aplicada ao mercado de criptomoedas. 2019. 32 f. Monografia (Graduação em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2019.
Resumo: 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.
Resumo em outra língua: Bitcoin is a decentralized digital currency that has emerged to replace current payment methods. However it faces distrust from investors and users due to the volatility of its values. One way to mitigate this volatility is to apply computational intelligence based on machine learning algorithms to predict their quotation values. Thus, this work aims to apply a Recurrent Neural Network (RNN), using Bitcoin's historical series, to predict the curve relative to the daily closing value. This work uses the Bitstamp database of the CryptoDataDownload webpage for training the algorithm. The data used are for BTCUSD parity from 11/28/2014 to 11/29/2019. Several indicators were evaluated and combined to verify the quality of the solution, however, the best result obtained was only the curve indicator (daily closing value) with a square root of the mean square error root mean square error (RMSE) of 260,137, being a parameter value for future researches.
URI: http://www.monografias.ufop.br/handle/35400000/2394
Aparece nas coleções:Ciência da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_PrediçãoSériesTemporais.pdf1,74 MBAdobe PDFVisualizar/Abrir


Este item está licenciado sob uma Licença Creative Commons Creative Commons