FenixEdu™

Dissertação

Applying Sound Financial Data Processing Techniques to a LightGBM Model for Use in Cryptocurrency Trading EVALUATED

Detalhes: Este estudo propõe a implementação de um sistema de compra e venda de criptomoedas, aliando uma base sólida de de pré-procssamento de dados e técnicas de validação cruzadas com um algoritmo avançado baseado em boosting, o LightGBM, de modo a inibir ao máximo erros comuns de problemas de aprendizagem automática baseados em dados financeiros relativamente a qualidade e balanceamento de dados, ou a falta destes, e testagem pouco fiável para avaliação de resultados. Para tal, um conjunto de processos de pré-processamento de dados foi implementado, que realizam operações de: (1) “amostragem em barra de dólar”; (2) filtro CUSUM, para identificar potenciais oportunidades relevantes de compra/venda; (3) labeling “barreira tripla”, um método de labeling que constroi barreiras stop loss/profit taking e de expiração de validade de posição, atribuindo labels aos dados de acordo com qual das três barreiras é atingida primeiro pelo preço de um ativo; (4) diferenciação fraccional, que efetua uma técnica de diferenciação parcial de modo a encontrar um equilibro entre a estacionaridade de sinal presente num sinal de primeira-ordem diferenciado e a memória de sinal existente num sinal não diferenciado; (5) técnicas de validação cruzada combinatorial purged & purged k-fold, adequadas para séries temporaris. Para receber os dados pré-processados e unir tudo, foi usado um algoritmo moderno de aprendizagem automática, o LightGBM, para treino rápido e resultados positivos. Com tudo isso, foi possı́vel obter consistentemente resultados lucrativos, com um valor de retorno ao investimento de 75.6% no melhor caso possı́vel, obtidos em dados de teste fora de amostra.
Keywords: Criptomoedas, Aprendizagem Automática Financeira, Pré-Processamento de Dados, Validação-Cruzada de Séries Temporais, Testagem, LightGBM

Discussão: novembro 25, 2021, 15:30