Inteligência artificial para a predição de ações no mercado financeiro: aplicação no mercado de Bitcoin

Abstract

As redes neurais LSTM são amplamente utilizadas para a predição de valores de ações no mercado financeiro devido à sua capacidade de capturar dependências temporais de longo prazo e lidar com dados sequenciais complexos. Utilizando dados históricos de preços de ações, volumes de negociação e indicadores técnicos, as LSTM's conseguem identificar padrões e tendências que ajudam a prever movimentos futuros dos preços. Sua arquitetura, que inclui unidades de memória e portas de controle, permite filtrar ruídos e focar em informações relevantes, tornando-as robustas para análises financeiras. Apesar da volatilidade e dos desafios inerentes ao mercado financeiro, as LSTM's têm se mostrado eficazes em melhorar a precisão das previsões, auxiliando investidores na tomada de decisões informadas. Assim, esse trabalho apresenta o desenvolvimento de um modelo de LSTM treinado para realizar a predição dos valores das ações da criptomoeda Bitcoin no mercado financeiro, bem como a realização de experimentos para a análise de desempenho de diferentes cenários alterando parâmetros como tipo de função de perda, quantidade de camadas empilhadas, tamanho da sequência de dados de entrada e período de tempo a ser previsto. O projeto resultou em 24 cenários estudados cujo desempenho foi medido através da avaliação da convergência das funções de perda e das métricas de avaliação de regressão R2 e MSE. Dentre os cenários criados se destacou a utilização da função de perda MAE (L1) no modelo de 100 camadas e sequência de dados igual à 4 para a predição do valor de fechamento das ações da Bitcoin para as próximas 6 horas.

LSTM neural networks are widely used for predicting stock values in the financial market due to their ability to capture long-term temporal dependencies and handle complex sequential data. Using historical data on stock prices, trading volumes and technical indicators, LSTM's can identify patterns and trends that help predict future price movements. It's architecture, which includes memory units and control ports, allows it to filter noise and focus on relevant information, making it robust for financial analysis. Despite the volatility and challenges inherent to the financial market, LSTM's have proven effective in improving the accuracy of forecasts, helping investors make informed decisions. Thus, this work presents the development of an LSTM model trained to predict the values of Bitcoin cryptocurrency shares in the financial market, as well as carrying out experiments to analyze the performance of different scenarios by changing parameters such as the type of loss function, number of stacked layers, size of the input data sequence and period of time to be predicted. The project resulted in 24 studied scenarios whose performance was measured by evaluating the convergence of loss functions and the R2 (Coefficient of Determination) and MSE regression evaluation metrics. Among the scenarios created, the use of the MAE (L1) loss function in the 100-layer model and data sequence equal to 4 stood out for predicting the closing value of Bitcoin shares for the next 6 hours.