USO DE REDES NEURAIS RECORRENTES PARA PREVISÃO DE TENDÊNCIAS EM SÉRIES TEMPORAIS DE CRIPTOMOEDAS
Willian Antunes
Antunes, Willian
Danilo Milhomem
Milhomem, Danilo
Maria Dantas
Dantas, Maria
01/03/2023
707-719
53
A PROPOSTA DESTE TRABALHO CONSISTE NA COLETA DE PEQUENAS JANELAS DE TEMPO COM HISTÓRICOS DE PREÇO E VOLUME, JUNTAMENTE A INDICADORES TÉCNICOS DERIVADOS DESSES DADOS COM A UTILIZAÇÃO DE MODELOS CONSOLIDADOS PELA LITERATURA COMO AS REDES NEURAIS RECORRENTES COM ARQUITETURA LONG SHORT-THERM MEMORY (LSTM) PARA PREDIÇÃO DE SÉRIES TEMPORAIS, QUE SÃO UM TIPO ESPECÍFICO DE REDES NEURAIS ARTIFICIAIS CAPAZES DE APRENDER DEPENDÊNCIAS DE LONGO PRAZO, ADAPTANDO-SE MELHOR PARA O PROBLEMA. ESTE TRABALHO TAMBÉM PROPÕE UM MÉTODO DE COMBINAÇÃO DE TRANSFORMADAS WAVELET PARA ALIMENTAR AS ARQUITETURAS DE REDES NEURAIS RECORRENTES PARA PREVISÃO DESSAS TENDÊNCIAS. AS TRANSFORMADAS SÃO USADAS PARA PRÉ-PROCESSAR AS SÉRIES TEMPORAIS NÃO LINEARES REMOVENDO RUÍDOS, SUAVIZANDO O SINAL PRODUZIDO PELA ALTA VOLATILIDADE DAS SÉRIES, FORNECENDO UM PARADIGMA DE APRENDIZADO DE FASE MAIS PRÓXIMO DA REDE NEURAL ARTIFICIAL.
CRIPTOMOEDAS, LSTM, WAVELETS.
Este capítulo está licenciado com uma Licença Creative Commons Atribuição-NãoComercial-SemDerivações 4.0 Internacional.
O conteúdo do capítulo e seus dados e sua forma, correção e confiabilidade, são de responsabilidade exclusiva do(s) autor(es). É permitido o download e compartilhamento desde que pela origem e no formato Acesso Livre (Open Access), com os créditos e citação atribuídos ao(s) respectivo(s) autor(es). Não é permitido: alteração de nenhuma forma, catalogação em plataformas de acesso restrito e utilização para fins comerciais. O(s) autor(es) mantêm os direitos autorais do texto.