Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/38449
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2023_BrunoCoutoMarino_tcc.pdf2,45 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorOliveira, Roberta Barbosa-
dc.contributor.authorMariño, Bruno Couto-
dc.identifier.citationMARIÑO, Bruno Couto. Análise da predição da tendência do preço do bitcoin utilizando long short-term memory para as tarefas de regressão e classificação. 2023. 64 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação) — Universidade de Brasília, Brasília, 2023.pt_BR
dc.descriptionTrabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2023.pt_BR
dc.description.abstractO trabalho de predição do preço de um ativo no mercado financeiro é uma tarefa clássica. Com o aumento da importância dos criptoativos na economia mundial, os modelos e técnicas de aprendizado de máquina começaram a ser adaptadas para a predição desses novos ativos. Este trabalho propõe uma análise da predição da tendência do preço do Bitcoin para as técnicas de regressão e de classificação utilizando o modelo Long Short-Term Memory (LSTM). Também apresenta uma forma de comparar as técnicas, ao transformar o valor encontrado pelo modelo de regressão em classes e analisar os resultados a partir das métricas de desempenho de classificação. Para esse objetivo, são utilizados os preços diários de abertura e de fechamento, máximo e mínimo diários e o volume de negociações em dólares. A classificação utiliza três classes, que são definidas a partir de um limite superior e inferior de variação percentual do preço; já a regressão utiliza o log base 10 do preço de fechamento como alvo. Então, os resultados da regressão são transformados em variação percentual e classificados de acordo com os limites de 3%, 5% e 7%. Assim é possível analisar os resultados das métricas de classificação para o modelo de regressão. O melhor cenário para o modelo de classificação apresentou janela de tempo de 15 dias, um limite de 7% e previu a classe da tendência do preço para 1 dia no futuro. Ele obteve um desempenho de 0,95789 para acurácia, precisão, revocação e f1-score; e um Area Under the ROC Curve médio de 0,96842. Em relação ao modelo de regressão, o melhor cenário utilizou janela de tempo de 30 dias, previu o log do preço para 1 dia no futuro. O modelo alcançou um desempenho de 0,01274 para o Mean Absolute Error, 0,00027 para Mean Squared Error, 0,01667 para Root Mean Squared Error, 0,28828% para Mean Absolute Percentage Error e 0,98042 para o R2 . Após transformar o resultado da regressão em classes de acordo com a variação percentual predita, ele obteve um desempenho para um limite de 7% de 0,94553 para acurácia, precisão, revocação e f1-score; e um Area Under the ROC Curve médio de 0,95915. Ao comparar ambas as técnicas, a classificação se mostrou mais assertiva.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordBitcoinpt_BR
dc.subject.keywordCriptomoedapt_BR
dc.subject.keywordAprendizado de máquinapt_BR
dc.subject.keywordRedes neurais (Computação)pt_BR
dc.titleAnálise da predição da tendência do preço do bitcoin utilizando long short-term memory para as tarefas de regressão e classificaçãopt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2024-05-13T13:20:47Z-
dc.date.available2024-05-13T13:20:47Z-
dc.date.submitted2023-12-21-
dc.identifier.urihttps://bdm.unb.br/handle/10483/38449-
dc.language.isoPortuguêspt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.pt_BR
dc.description.abstract1Predicting the price of an asset in the financial market is a classic challenge. With the increasing importance of cryptoassets in the world economy, machine learning models and techniques began to be adapted to predict these new assets. This paper proposes an analysis of Bitcoin price trend prediction using regression and classification techniques employing the Long Short-Term Memory (LSTM) model. It also introduces a way to compare these techniques by transforming the value found by the regression model into classes and analyzing the results using classification performance metrics. For this purpose, daily opening and closing prices, daily highs and lows, and trading volume in American dollars are used. Classification involves three classes defined by upper and lower limits of percentage variation in price, while regression uses the base 10 logarithm of the closing price as the target. The regression results are transformed into percentage variation and classified according to 3%, 5%, and 7% limits. This allows analyzing the classification metrics results for the regression model. The optimal scenario for the classification model presented a 15-day time window, a 7% limit, and predicted the price trend class for 1 day ahead. It achieved a performance of 0.95789 for accuracy, precision, recall, and f1-score, and an average Area Under the ROC Curve of 0.96842. Regarding the regression model, the best scenario used a 30-day time window and predicted the log of the price for 1 day ahead. It achieved a performance of 0.01274 for Mean Absolute Error, 0.00027 for Mean Squared Error, 0.01667 for Root Mean Squared Error, 0.28828% for Mean Absolute Percentage Error, and 0.98042 for R2 . After transforming the regression result into classes based on the predicted percentage variation, it obtained a performance for a 7% limit of 0.94553 for accuracy, precision, recall, and f1-score, and an average Area Under the ROC Curve of 0.95915. When comparing both techniques, classification proved to be more accurate.pt_BR
Aparece na Coleção:Engenharia da Computação



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.