Redes Neurais LSTM e Google Trends aplicados para previsão de séries temporais do mercado financeiro no contexto de criptomoedas.

Abstract

O Bitcoin foi originado com o objetivo de criar uma moeda única, sem encargos e independente de bancos. Porém, o seu crescente valor de mercado fez com que se popularizasse também como alternativa de investimento. Para obter lucro, os investidores devem, em um cenário ideal, comprar o ativo quando o seu preço estiver baixo e revendê-lo quando os preços aumentarem. Mas a extrema volatilidade da moeda, que sofre influência de diversos fatores e experimenta grandes flutuações de preço em curtos períodos de tempo, torna sua predição um desafio para pesquisadores em todo o mundo. Partindo disso, o presente trabalho busca identificar se a agregação de índices com a frequência de busca por palavras-chaves, ligadas ao Bitcoin, no Google, junto ao modelo de Recurrent neural networks ( RNN), o Long Short-Term Memory (LSTM), pode contribuir para a predição do valor futuro do ativo. Para isso, foram utilizados dados do período de 2014 a 2022, divididos em três distribuições distintas dos dados, definidas como cenários de estabilidade, tendência de alta e tendência de queda do preço da moeda. As janelas de tempo definidas foram de 90 e 10 dias, e em cada um dos experimentos foi adotada a abordagem de modelo univariado, e multivariado. Considerando o contexto experimental estabelecido, os resultados sugerem que a agregação do sentimento, em uma janela de tempo de 10 dias no cenário de queda, apresentou uma maior capacidade de generalização do preço futuro da criptomoeda, quando observado as métricas de avaliação utilizadas.