AVALIAÇÃO DO DESEMPENHO DE TÉCNICAS DE DEEP LEARNING PARA CASSIFICAÇÃO DO COMPORTAMENTO TEMPORAL DE CRIPTOMOEDAS

INTRODUÇÃO: A pesquisa aborda o uso de algoritmos CNN (Convolutional Neural Network) e LSTM (Long Short-Term Memory) para realizar a previsão da evolução do valor das criptomoedas, analisando a performance de cada modelo em tarefas de classificação e regressão. Foram selecionados atributos relevantes, como “High”, de diferentes assets, para a criação de bases de dados que serviram de entrada para os modelos. OBJETIVOS: O objetivo desta pesquisa consiste em implementar um algoritmo de classificação baseado em Deep Learinng para realizar a previsão da evolução do valor de criptomoedas (queda ou subida do valor no início do dia seguinte). MATERIAIS E MÉTODO: A fim de reduzir a problemática da curva de distribuição perante a pandemia de covid entre os anos de 2020 e 2022, foi decidido utilizar os dados referentes as datas de início e fim posteriores à pandemia, totalizando 1 ano e 4 meses de dados disponíveis para treino e teste. Conforme a evolução no desenvolvimento dos algoritmos foi decido realizar modelos univariados e escolhidos os seguintes assets da Bolsa de Valores: ETH, Gold, NAS100, DJI, DXY, TSLA, AMZN. Durante a preparação dos dados para verificar a optou-se, após alguns testes, pelo uso da transformação logarítmica. A seguir foram usadas redes tradicionais (MLP) e convolucionais (CNN 1D) RESULTADOS: Os modelos criados permitem que se realize uma previsão adequada, com aproximação aceitável do valor real. Em resumo, tanto as redes neurais podem ser aplicadas em séries temporais com eficácia, e o formato correto dos dados (shape) é crucial para garantir que as redes aprendam as características relevantes e obtenham resultados precisos em problemas de previsão, classificação ou qualquer outra tarefa relacionada a séries temporais. CONSIDERAÇÕES FINAIS: Para obter resultados melhores é preciso desenvolver métodos de seleção automática de hiperparâmetros para redes aplicadas a séries temporais, com métodos automatizados para facilitar esse processo, assim como visualização de padrões de aprendizado e diferentes técnicas para controle de dimensionalidade das séries temporais, tais como PCA (Análise de Componentes Principais) ou t-SNE (T-distributed Stochastic Neighbor Embedding).

PALAVRAS-CHAVE: Deep learning; CNN; LSTM; Previsão; Criptomoedas.