Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/36696| Título: | Predição do preço da bitcoin por meio da incorporação de indicadores técnicos em modelos LSTM |
| Título(s) alternativo(s): | Bitcoin price forecast through the incorporation of technical indicators in LSTM models |
| Autor(es): | Franciscon, Karine Faggian |
| Orientador(es): | Paetzold, Gustavo Henrique |
| Palavras-chave: | Criptomoedas Aprendizado do computador Bitcoin Cryptocurrencies Machine learning |
| Data do documento: | 4-Dez-2023 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Toledo |
| Citação: | FRANCISCON, Karine Faggian. Predição do preço da bitcoin por meio da incorporação de indicadores técnicos em modelos LSTM. 2023. 80 f. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Computação) - Universidade Tecnológica Federal do Paraná, Toledo, 2023. |
| Resumo: | A Bitcoin, descrita pela primeira vez no ano de 2008 sob o pseudônimo de Satoshi Nakamoto, é considerada a primeira criptomoeda. No ano de 2021 a Bitcoin atingiu seu pico histórico de preço de fechamento de mercado de cerca de 67566 USD. Apesar de sua evidente valorização ao longo do tempo, seus preços são altamente voláteis, o que gera uma demanda por técnicas que consigam predizê-los com eficácia. Uma técnica que demonstra um grande potencial na predição de séries temporais e dos preços da Bitcoin é a LSTM, sendo uma abordagem de Aprendizado de Máquina que, para estes fins, se destaca em diversos estudos comparativos. A análise técnica, por sua vez, é composta por métodos matemáticos, conhecidos como indicadores técnicos, e busca auxiliar investidores a predizer tendências, momentos de reversão nos preços de um ativo, assim como fornecer sinais que indiquem momentos propícios para a compra ou a venda de um ativo, sendo utilizada como ferramenta estratégica para investimentos há décadas. O estado da arte demonstra haver uma lacuna na aplicação da LSTM juntamente à análise técnica para a predição de preços da Bitcoin. O presente trabalho, portanto, busca aproveitar esta oportunidade identificada pelo estado da arte e incorporar indicadores técnicos em modelos LSTM para a predição dos preços da Bitcoin, de modo a contribuir para o aprimoramento das técnicas de predição de preços de criptomoedas atuais e abrir caminho para novos estudos que enriqueçam o estado da arte. Foram desenvolvidos 16 modelos e 20 bots com os dados diários e o mesmo com os dados por hora. Os resultados demonstram que modo geral os modelos desenvolvidos acompanham as tendências apresentadas pelos preços reais tanto para o dataset por dia como por hora. Ainda assim há diferenças significativas nas métricas de erro entre os modelos. Para os modelos por dia, dentre os quais se sobressaiu o modelo Stochastic, o MAE variou de cerca de 1552 USD a 3916 USD, enquanto que para os modelos por hora, nos quais se destacou o modelo Bollinger, esta variação foi de 300 USD a 1943 USD. Em relação ao desempenho dos bots desenvolvidos, a média de lucro foi positiva para ambos os datasets, entretanto a acurácia em relação aos preços reais foi baixa, em sua maioria abaixo de 50%, não sendo identificada uma relação clara entre a acurácia e o lucro obtido. Apesar das considerações, pode-se concluir que, de modo geral, a utilização dos indicadores técnicos aparenta contribuir positivamente para as previsões dos preços feitas pelos modelos LSTM. |
| Abstract: | The Bitcoin, first described in 2008 under the pseudonym Satoshi Nakamoto, is considered the first cryptocurrency. In 2021, Bitcoin reached its historical peak market closing price of approximately 67566 USD. Despite its evident appreciation over time, its prices are highly volatile, leading to a demand for techniques that can predict them effectively. One technique showing great potential in time series prediction and Bitcoin price forecasting is LSTM, a Machine Learning approach that stands out in various comparative studies for these purposes. Technical analysis, on the other hand, consists of mathematical methods, known as technical indicators, aiming to assist investors in predicting trends, reversal moments in asset prices, and providing signals for opportune buying or selling. It has been used as a strategic tool for investments for decades. The state of the art indicates a gap in applying LSTM together with technical analysis for Bitcoin price prediction. This study seeks to leverage the identified opportunity from the state of the art by incorporating technical indicators into LSTM models for Bitcoin price prediction. The goal is to contribute to the enhancement of current cryptocurrency price prediction techniques and pave the way for new studies that enrich the state of the art. 16 models and 20 bots were developed with daily data, and the same was done with hourly data. Results show that, in general, the developed models follow the trends presented by real prices for both daily and hourly datasets. However, there are significant differences in error metrics between models. For daily models, with the Stochastic model standing out, MAE varied from approximately 1552 USD to 3916 USD. For hourly models, where the Bollinger model excelled, this variation was from 300 USD to 1943 USD. Regarding the performance of the developed bots, the average profit was positive for both datasets. However, accuracy concerning real prices was low, mostly below 50%, and no clear relationship between accuracy and profit was identified. Despite the considerations, it can be concluded that, overall, the use of technical indicators appears to positively contribute to the price forecasts made by LSTM models. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/36696 |
| Aparece nas coleções: | TD - Engenharia de Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| predicaobitcoinindicadoreslstm.pdf | 7,46 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
