Detalhes bibliográficos
| Ano de defesa: |
2023 |
| Autor(a) principal: |
Palazzo, Guilherme [UNIFESP] |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal de São Paulo
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://repositorio.unifesp.br/handle/11600/69346
|
Resumo: |
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. |
