Predição da cotação Real/Bitcoin usando a rede neural Long Short Term Memory
DOI:
https://doi.org/10.34117/bjdv9n6-159Keywords:
redes neurais, memórias de longo a curto prazo, bitcoin, predição de cotaçãoAbstract
Criptomoedas têm se tornado um ativo financeiro importante para empresas, governos e civis, sendo aceitas para transações financeiras em substituição às moedas tradicionais. Contudo as criptomoedas, que são atrativas por algumas questões como não ter controle governamental, apresentam alta volatilidade, sendo importante as predições de cotação de forma a ter uma base para decidir quando comprar e quando vender este tipo de ativo, de forma a maximizar lucros. Como a predição quando feita por pessoas demanda de especialistas, que têm altos custos e também são sujeitos a vieses e erros, vários estudos têm investigado a predição via técnicas computacionais de inteligência artificial. Neste estudo, investigou-se a aplicação de uma rede neural LSTM para a predição da cotação da criptomoeda Bitcoin em Reais, realizando a análise dos parâmetros da rede neural, juntamente com a modelagem da rede para predição de um único valor para um dado horizonte de tempo futuro e para a predição de múltiplos valores para múltiplos instantes de tempo futuros. Os resultados obtidos indicam que o modelo de saída única tem uma boa performance para perdição de curto prazo, principalmente na predição para o dia seguinte (horizonte 1) com um mean absolute percentage error (MAPE) de 2,57% na sua melhor configuração, contudo, esse erro não é linearmente escalável quando se aumenta o horizonte de predição. No modelo de múltiplas saídas produziu valores MAPE maiores para predições de curto prazo (horizonte 1, 3 e 5), contudo a taxa de aumento do erro é menor do que a do modelo de horizonte simples.
References
Awoke et al. 2020 Awoke, T., Rout, M., Mohanty, L., and Satapathy, S. C. (2020). Bitcoin price prediction and analysis using deep learning models. In Communication Software and Networks, pages 631–640. Springer Singapore.
Batista 2003 Batista, G. E. d. A. P. A. (2003). Pré-processamento de dados em aprendizado de máquina supervisionado. PhD thesis, Universidade de São Paulo, São Carlos : Instituto de Ciências Matemáticas e de Computação.
Biswas et al. 2021 Biswas, S., Pawar, M., Badole, S., Galande, N., and Rathod, S. (2021). Cryptocurrency price prediction using neural networks and deep learning. In 2021 7th International Conference on Advanced Computing and Communication Systems (ICACCS). IEEE.
Derbentsev et al. 2020 Derbentsev, V., Datsenko, N., Babenko, V., Pushko, O., and Pursky, O. (2020). Forecasting cryptocurrency prices using ensembles-based machine learning approach. In 2020 IEEE International Conference on Problems of Infocommunications. Science and Technology (PIC S&T). IEEE.
Diederik P. Kingma 2014 Diederik P. Kingma, J. B. (2014). Adam: A method for stochastic optimization. arXiv:1412.6980.
Fleischer et al. 2022 Fleischer, J. P., von Laszewski, G., Theran, C., and Bautista, Y. J. P. (2022). Time series analysis of cryptocurrency prices using long short-term memory. Algorithms, 15(7):230.
Gao et al. 2021 Gao, Z., He, Y., and Kuruoglu, E. E. (2021). A hybrid model integrating LSTM and garch for bitcoin price prediction. In 2021 IEEE 31st International Workshop on Machine Learning for Signal Processing (MLSP). IEEE.
Haykin 2009 Haykin, S. S. (2009). Neural networks and learning machines. Pearson Education, Upper Saddle River, NJ, third edition.
Hileman and Rauchs 2017 Hileman, G. and Rauchs, M. (2017). 2017 global cryptocurrency benchmarking study. SSRN Electronic Journal.
Hinton and Swersky 2012 Hinton, G., S. N. and Swersky, K. (2012). Neural networks for machine learning. lecture 6e. University of Toronto.
Hochreiter and Schmidhuber 1997 Hochreiter, S. and Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8):1735–1780.
Indulkar 2021 Indulkar, Y. (2021). Time series analysis of cryptocurrencies using deep learning & fbprophet. In 2021 International Conference on Emerging Smart Computing and Informatics (ESCI). IEEE.
Iqbal et al. 2021 Iqbal, M., Iqbal, M., Jaskani, F., Iqbal, K., and Hassan, A. (2021). Time-series prediction of cryptocurrency market using machine learning techniques. EAI Endorsed Transactions on Creative Technologies, 8(28):170286.
Jakubowicz and Abdelfattah 2021 Jakubowicz, E. and Abdelfattah, E. (2021). The rise and fall of bitcoin: Predicting market direction using machine learning models. In 2021 IEEE 12th Annual Information Technology, Electronics and Mobile Communication Conference (IEMCON). IEEE.
Kaushik and Giri 2020 Kaushik, M. and Giri, A. K. (2020). Forecasting foreign exchange rate: A multivariate comparative analysis between traditional econometric, contemporary machine learning amp; deep learning techniques.
Li and Dai 2020 Li, Y. and Dai, W. (2020). Bitcoin price forecasting method based on CNN-LSTM hybrid neural network model. J. Eng. (Stevenage), 2020(13):344–347.
Nakamoto 2009 Nakamoto, S. (2009). Bitcoin: A peer-to-peer electronic cash system.
Sovbetov 2018 Sovbetov, Y. (2018). Factors influencing cryptocurrency prices: Evidence from bitcoin, ethereum, dash, litcoin, and monero. Journal of Economics and Financial Analysis, 2(2):1–27.
Wu et al. 2018 Wu, C.-H., Lu, C.-C., Ma, Y.-F., and Lu, R.-S. (2018). A new forecasting framework for bitcoin price with LSTM. In 2018 IEEE International Conference on Data Mining Workshops (ICDMW). IEEE.
