Comparação de dois modelos de predição de preço de bitcoins utilizando análise técnica e LSTM
Comparison of two bitcoin price prediction models using technical analysis and LSTM
DOI:
https://doi.org/10.34140/bjbv5n1-010Palavras-chave:
Deep Learning, Bitcoin, Análise Técnica, Inteligência ArtificialResumo
As formas de investimento e acúmulo de bens vêm se diversificando durante as últimas décadas. Entre as inúmeras possibilidades de investimento, algumas recebem destaque devido à grande volatilidade, grande fluxo de transações diárias e possibilidades de ganho por meio de especulações, como é o caso do Bitcoin, uma criptomoeda que atingiu uma valorização de 1300% no ano de 2017. O Bitcoin trata-se de um ativo passível de especulação, e pode ser analisado por várias técnicas aplicadas no mercado de ações, como é o caso da análise técnica e das redes neurais artificiais LSTM. Vários estudos têm sido desenvolvidos na predição do movimento de preços do Bitcoin utilizando estas técnicas, assim, este estudo tem como objetivo analisar o desempenho dos trabalhos desenvolvidos por Kikuti (2020) e Machado (2020), de modo a analisar o porquê eles apresentaram desempenhos diferentes. Durante o processo de análise dos resultados, verificou-se que o modelo desenvolvido por Machado (2020) teve um desempenho melhor do que o modelo desenvolvido por Kikuti. Com alterações em alguns parâmetros do modelo de Kikuti (2020) foi possível equipará-lo ao modelo proposto por Machado.
Referências
Aggarwal, A., Gupta, I., Garg, N. & Goel, A. (2019). Deep learning approach to determine the impact of socio economic factors on Bitcoin price prediction. 2019 Twelfth International Conference on Contemporary Computing (IC3), p. 1–5.
Goodfellow, I., Bengio, Y. & Courville, A. (2016). Deep learning. Cambridge, MA: MIT press.
Grzelak, L. A & Oosterlee, C. W. (2011). On the heston model with stochastic interest rates. SIAM Journal on Financial Mathematics, SIAM, v. 2, n. 1, p. 255–286.
Haykin, S. Redes neurais: princípios e prática. São Paulo: Bookman Editora, 2007.
Hyndman, R. J. (2011). Moving Averages. In: Lovric, M. (eds) International Encyclopedia of Statistical Science. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-04898-2_380.
Kikuti, C. (2020). Aplicação de uma técnica de aprendizagem profunda e indicadores técnicos na predição do momento de compra e venda do Bitcoin. Monografia de Trabalho de Conclusão de Curso, Universidade Estadual de Maringá.
Lane, G. C. Lane’s stochastics. (1984). Technical Analysis of Stocks and Commodities, v. 2, n. 3, p. 80.
Machado, H. M. Análise de técnicas de predição de movimento do mercado de Bitcoin utilizando uma técnica de Aprendizado de Máquina. Monografia de Trabalho de Conclusão de Curso, Universidade Estadual de Maringá, Maringá, 2020.
Migliato, A. L. T., Storani, K. & Masili, M. Osciladores, padrões de candlesticks e variações de preços de ativos financeiros: Um estudo preliminar sobre a relação entre esses fatores no mercado de ações. Multiciência, São Carlos, v. 9, p. 291–301, 2008.
Murphy, J. J. Technical analysis of the financial markets: A comprehensive guide to trading methods and applications. EUA: Editora Prentice Hall Press, 1999.
Nakamoto, S. (2008). Bitcoin: A peer-to-peer electronic cash system. Decentralized Business Review, p. 21260.
Nielsen, M. A. (2015). Neural networks and deep learning. San Francisco: Determination press San Francisco, CA.
Rane, P. V. & Dhage, S. N. (2019). Systematic erudition of Bitcoin price prediction using machine learning techniques. In: IEEE. 2019 5th International Conference on Advanced Computing & Communication Systems (ICACCS), p. 594–598.
Rauber, T. W. (2005). Redes neurais artificiais. Universidade Federal do Espírito Santo, v. 29, 2005.
Mitchell, T. M. (1997). Machine Learning. Alemanha: McGraw-Hill.
Vidotto, R. S., Migliato, A. L. T. & Zambon, A. C. (2009). O moving average convergence-divergence como ferramenta para a decisão de investimentos no mercado de ações. Revista de Administração Contemporânea, SciELO Brasil, v. 13, p. 291–309.
Wang, C. & Gao, Q. (2018). High and low prices prediction of soybean futures with lstm neural network. In: IEEE. 2018 IEEE 9th International Conference on Software Engineering and Service Science (ICSESS), China, p. 140–143.
Welles, J. W. (1978). New concepts in technical trading systems. Indiana: Editora Trend Research.
Zhang, Y. & Yang, S. (2019). Prediction on the highest price of the stock based on pso-lstm neural network. In: 2019 3rd International Conference on Electronic Information Technology and Computer Engineering (EITCE), pp. 1565-1569, doi: 10.1109/EITCE47263.2019.9094982.
