Utilizando inteligência artificial para predizer preço de moedas digitais

Abstract

Nos últimos anos, as moedas virtuais emergiram como um fenômeno disruptivo nos mercados financeiros globais, transformando-se em uma nova fonte de investimento para diversos traders. Paralelamente, a inteligência artificial também tem registrado um crescimento significativo em várias áreas do conhecimento, consolidando-se como uma ferramenta valiosa, especialmente no universo das criptomoedas, através de seus modelos sequenciais. Um desses modelos, o Long Short-Term Memory (LSTM), emprega taxas de esquecimento em sua rede neural para aprimorar a predição de séries temporais. Este trabalho visa predizer o preço de fechamento de moedas virtuais para um período futuro, utilizando um sistema parametrizável que opera com múltiplas camadas de entrada e uma única saída. Os dados são obtidos diretamente da API da exchange Binance e o modelo é ajustado para qualquer criptomoeda selecionada. A metodologia inclui uma divisão dos dados em conjuntos de treinamento, validação e teste, e seu desempenho é avaliado utilizando métricas como o coeficiente de determinação (r-squared), desvio padrão e análises gráficas. Através de experimentos práticos, mostrou-se que o modelo é capaz de fornecer previsões precisas sobre tendências de alta e queda nos preços de fechamento para períodos futuros.

In recent years, virtual currencies have emerged as a disruptive phenomenon in global financial markets, becoming a new investment source for various traders. Simultaneously, artificial intelligence has also seen significant growth across various fields of knowledge, establishing itself as a valuable tool, particularly in the cryptocurrency universe, through its sequential models. One such model, the Long Short-Term Memory (LSTM), uses for getting rates in its neural network to enhance the prediction of time series. This work aims to predict the closing price of virtual currencies for a future period, using a parametrizable system that operates with multiple input layers and a single output. The data is sourced directly from the Binance exchange API, and the model is adjustable for any selected cryptocurrency. The methodology includes dividing the data into training, validation, and testing sets, and performances are evaluated using metrics such as the coefficient of determination (r-squared), standard deviation, and graphical analyses. Practical experiments have demonstrated that the model is capable of providing accurate predictions on the upward and downward trends in the closing prices for future periods.