Please use this identifier to cite or link to this item: http://www.monografias.ufop.br/handle/35400000/3208
Title: Séries temporais para predição de finanças no contexto de criptomoedas.
Authors: Garcia, Vinicius de Souza Fialho
metadata.dc.contributor.advisor: Oliveira, Fernando Bernardes de
metadata.dc.contributor.referee: Oliveira, Fernando Bernardes de
Assis, Gilda Aparecida de
Santos, Bruno Pereira dos
Torres, Luiz Carlos Bambirra
Keywords: Análise de séries temporais
Bitcoin
Inteligência computacional
Mercado financeiro - previsão
Redes neurais - computação
Transferência eletrônica de fundos
Issue Date: 2021
Citation: GARCIA, Vinicius de Souza Fialho. Séries temporais para predição de finanças no contexto de criptomoedas. 2021. 58 f. Monografia (Graduação em Engenharia de Computação) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2021.
Abstract: A recente aparição das criptomoedas tem atraído a atenção mundial, principalmente peloseu crescente valor de mercado, sendo oBitcoino principal personagem nesse cenário.Nesse contexto, este projeto tem como objetivo estudar o comportamento doBitcoineutilizar mecanismo já estudados na literatura para realizar predições e comparações entreeles. A partir disso, foram utilizadas técnicas de inteligência computacional para a prediçãodo mercado financeiro em relação às criptomoedas. Após o estudo de algumas técnicas,foram obtidos resultados satisfatórios utilizando a técnica do modelo ARIMA, a técnicade Redes Neurais do tipoLong Short Term Memory(LSTM) e o método de vetores desuporte (SVR). Foram realizados experimentos em diversos cenários a fim de analisar ocomportamento dos métodos preditivos, sendo utilizados conjuntos de dados com maisde 6 anos de registros diários envolvendo características da moeda. Com o auxílio demétricas, como, por exemplo, oRoot Mean Square Error(RMSE), foram aperfeiçoados osalgoritmos e produzidos resultados na predição do valor de fechamento diário doBitcoin.Ao final, os resultados sugerem a capacidade de previsão e modelagem da série paracada método utilizado. Foi possível verificar o rendimento de cada um deles, levandoem consideração erros obtidos e períodos de tempo avaliados. Considerando o contexoexperimental estabelecido, os resultados sugerem que o LSTM que obteve resultadosligeiramente superiores que os demais. Por fim, foram reconhecidos as limitações e errosdas análises realizadas e pontuadas futuras mudanças que podem aperfeiçoar os resultados.
metadata.dc.description.abstracten: The recent appearance of cryptocurrencies has attracted the attention around the world,mainly to its increasing market value, with Bitcoin being the main character in this scenario.In this context, this project aims to study the behavior of Bitcoin and use the mechanismalready studied in the literature to perform predictions and comparisons between them.From that, computational intelligence techniques were used to predict the financial marketin relation to cryptocurrencies. After studying some techniques, satisfactory results wereobtained using the ARIMA model technique, the Long Short Term Memory (LSTM)Neural Networks technique and the support vector method. Experiments were performedin various scenarios to analyze the predictive methods behavior, using data sets with morethan 6 years of daily records involving currency characteristics. With the aid of metrics,such as the Root Mean Square Error (RMSE), the algorithms were improved and resultswere achieved to predict the daily closing value of Bitcoin. In the end, the performedstudies identified the capacity of each method used. Through the evaluation of the resultsit was possible to verify the performance of each one of them, taking into account theobtained errors and evaluated periods of time. Considering the established experimentalcontext, the results suggest that the LSTM that obtained slightly higher results than theothers. Finally, the limitations and errors of the analyzes performed were accepted andfuture changes that may improve the results were punctuated.
URI: http://www.monografias.ufop.br/handle/35400000/3208
Appears in Collections:Engenharia de Computação JMV

Files in This Item:
File Description SizeFormat 
MONOGRAFIA_SériesTemporaisPredição.pdf2,3 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons