USO DE REDES NEURAIS RECORRENTES PARA PREVISÃO DE TENDÊNCIAS EM SÉRIES TEMPORAIS DE CRIPTOMOEDAS

Autores

• Willian AntunesPUC GO
• Danilo MilhomemPUC GO
• Maria DantasPUC GO

Resumo

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.

Palavras-chave

CRIPTOMOEDAS, LSTM, WAVELETS.

Licença

Este capítulo está sob a Licença Creative Commons Atribuição-NãoComercial-SemDerivações 4.0 Internacional .

O conteúdo do capítulo, seus dados, forma, correção e confiabilidade são de responsabilidade exclusiva do(s) autor(es). É permitido o download e o compartilhamento, desde que pela origem e no formato Acesso Livre (Open Access), com os devidos créditos e a citação atribuídos ao(s) respectivo(s) autor(es). Não é permitida qualquer alteração, catalogação em plataformas de acesso restrito ou utilização para fins comerciais. O(s) autor(es) mantém os direitos autorais do texto.