SIMULAÇÃO DE DUAS TÉCNICAS DE PREDIÇÃO PARA NEGOCIAÇÃO DE CRIPTOMOEDAS
DOI:
https://doi.org/10.5212/Admpg.v.12.21113.008Resumo
Marcada pela alta volatilidade no preço de criptomoedas, este mercado é responsável pela movimentação de trilhões de dólares, tendo como principal expoente a Bitcoin, moeda que no ano de 2021 ultrapassou o valor de 60 mil dólares. Assim, várias técnicas já utilizadas no mercado de ações como análise técnica e fundamentalista passaram a compor as estratégias de compra e venda dos investidores neste mercado. Além disso, técnicas computacionais da área da Inteligência Artificial, como as redes neurais artificiais do tipo Long Short Term Memory (LSTM), têm ganho destaque na previsão do mercado financeiro. Diante deste cenário, este trabalho tem como objetivo a realização de uma análise comparativa entre o uso de análise técnica e de LSTM para a predição de momentos propícios à compra, venda e manutenção de criptomoedas. O resultado obtido pelo modelo utilizando indicadores técnicos não foi satisfatório, visto que obteve um lucro de apenas 3,84% durante o período de 30 dias. Enquanto o modelo LSTM alcançou um lucro médio de 22,94% nas simulações.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Mateus Felipe Larrosa Furlan, Wagner Igarashi, Deisy Cristina Corrêa Igarashi
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
a) Os autores mantêm os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Creative Commons Attribution License que permite o compartilhamento do trabalho com reconhecimento da sua autoria e publicação inicial nesta revista.
b) Os autores são autorizados a assinarem contratos adicionais, separadamente, para distribuição não exclusiva da versão publicada nesta revista (por exemplo, em repositórios institucionais ou capítulos de livros), com reconhecimento da sua autoria e publicação inicial nesta revista).
c) Os autores são estimulados a publicar e distribuir a versão online do artigo (por exemplo, em repositórios institucionais ou em sua página pessoal), considerando que isso pode gerar alterações produtivas, bem como aumentar o impacto e as citações do artigo publicado.
d) Esta revista proporciona acesso público a todo o seu conteúdo, uma vez que isso permite uma maior visibilidade e alcance dos artigos publicados. Para maiores informações sobre esta abordagem, visite Public Knowledge Project, projeto que desenvolveu este sistema para melhorar a qualidade acadêmica e pública da pesquisa, distribuindo o OJS assim como outros softwares de apoio ao sistema de publicação de acesso público a fontes acadêmicas.
Este obra está licenciado com uma Licença Creative Commons Atribuição 4.0 Internacional.