Predição do movimento direcional de preço de btc em uma janela de volume pré-definida utilizando modelos de aprendizado de máquina

• Ano de defesa: 2023
• Autor(a) principal: Palazzo, Guilherme [UNIFESP]
• Orientador(a): Sbruzzi, Elton Felipe
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• dARK ID: ark:/48912/00130000257ds
• Idioma: por
• Instituição de defesa: Universidade Federal de São Paulo
• Palavras-chave em Português: Aprendizado de máquina; Séries temporais financeiras; Mercado de criptomoedas; Aprendizado supervisionado
• Link de acesso: https://repositorio.unifesp.br/handle/11600/69346

Nos últimos anos tem havido um interesse crescente nos mercados de criptomoedas. Isso tem levado ao surgimento de iniciativas de previsão de preço para auxiliar investidores e participantes do mercado em seus processos de tomada de decisão. Neste trabalho, apresentamos uma distinta metodologia que combina modelos de classificação em aprendizado de máquina para prever a direção do preço do Bitcoin. A direção do preço é categorizada como ”top” (sendo valor um) ou como ”bottom” (sendo valor zero) em um horizonte equivalente a barras de volume de 50k de unidades. Predizer a direção fornece uma maior margem de erro e utilizar barras de volume permite ponderar diferentes períodos de atividade do mercado. Nós exploramos três opções de modelo: eXtreme Gradient Boosting (XGBoost), Long-Short Term Memory e Regressão Logística. Dentre as opções, o XGBoost é o melhor algoritmo com um valor da curva Area Under the Receiver Operating Characteristic de 0.66 e um Sharpe ratio de 6.27, ambos no subconjunto de teste. Já no subconjunto de validação, o Sharpe ratio foi de 1.08 contra 0.81 do benchmark.