Dissertação

Data Resampling for Cryptocurrency Investment with Ensemble of Machine Learning Algorithms EVALUATED

Neste trabalho é proposto um sistema baseado em aprendizagem automática que visa criar um sinal de transações capaz de efetuar trocas no mercado de câmbio das criptomoedas com lucros elevados mas mínimo risco associado. Para tal, os dados financeiros originais são reamostrados de modo a conceber uma série temporal mais favorecedora a originar retornos elevados. Os resultados obtidos por reamostragens alternativas são comparados aos obtidos pela comum amostragem em ordem ao tempo. Estes métodos reamostram a série temporal original de acordo com variação de preço. Isto é, as amostras originais são agrupadas quando o valor de encerramento ultrapassa uma variação pré-estabelecida de moeda cotada. Este sistema foi testado com variações percentuais, valor logarítmico e valor simples. Através da série reamostrada, é calculado um conjunto de indicadores técnicos enviado como input para quatro algoritmos de aprendizagem automática: Regressão Logística, Floresta Aleatória, Classificador de Vetores de Suporte e Gradient Tree Boosting. Cada um destes algoritmos é responsável por gerar um sinal de transação. Após isto, uma média sem pesos dos quatro sinais é calculada, no total, são testados cinco sinais de transação diferentes. Este trabalho demonstra que todos os algoritmos aplicados conseguem obter melhores resultados que uma estratégia Buy and Hold (B&H) na generalidade dos 100 mercados testados. A média sem pesos, no entanto, obteve em média os melhores resultados, nomeadamente precisões de até 59.26% para a reamostragem em ordem ao tempo. Por fim, conclui-se que os métodos de reamostragem alternativos geram retornos muito superiores que a reamostragem temporal.
Mercados Financeiros, Criptomoedas, Análise Técnica, Aprendizagem Automática, Votação por Combinação, Reamostragem de Dados Financeiros.

Junho 28, 2019, 15:30

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Rui Fuentecilla Maia Ferreira Neves

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar