Um modelo de rede neural de classificação para predição da tendência do preço bitcoin

Abstract

Os estudos sobre séries temporais financeiras vem aumentando cada vez mais ao longo dos anos principalmente com o uso de modelos de aprendizado de máquina para tentar prever preços e movimentações para extrair ao máximo as oportunidades que surgem nesse mercado. Há pouco tempo, uma nova classe de ativos foi criada e vem crescendo exponencialmente nos últimos anos: criptomoedas. Esses ativos são moedas virtuais que utilizam criptografia para manter a segurança das transações e tem como principal representante o Bitcoin. Por serem relativamente jovens, comparadas ao mercado tradicional como por exemplo commodities, ações, forex, existe uma volatilidade muito grande no preço devido à adoção por pessoas e instituições de todo o mundo desses ativos, mas que podem ser analisados da mesma forma. Neste trabalho, é proposto um modelo de rede neural de classificação utilizando células LSTM para predição da tendência no preço do Bitcoin utilizando como base de dados os valores do candlestick semanal junto com o volume de transação. São testadas configurações diferentes para o modelo, variando-se separadamente timesteps, epochs e a utilização de dados adicionais da macroeconomia. Após encontrar a configuração que obtém os melhores resultados de retorno de investimento e acurácia, o modelo é comparado a estratégias de negociação simples.

The studies on financial time series have been increasing over the years, mainly with the use of machine learning models to try to predict prices and movements to extract the most of the opportunities that arise in this market. Not long ago, a new asset class was created and has been growing exponentially in recent years: cryptocurrencies. These assets are virtual currencies that use cryptography to maintain the security of transactions and their main representative is Bitcoin. Because they are relatively young, compared to the tra ditional market such as commodities, stocks, forex, there is a very high volatility in the price due to the adoption by people and institutions from all over the world of these assets, but they can be analyzed in the same way. In this work, a classification neural network model is proposed using LSTM cells to predict trends in Bitcoin price using weekly can dlestick values along with transaction volume as a database. Different configurations for the model are tested, varying separately timesteps, epochs and using additional macroe conomic data. After finding the configuration that obtains the best results of return on investment and accuracy, the model is compared to other simple trading strategies.