Dissertação
Using Machine Learning for Bitcoin’s Price Variation Forecasting: The Role of Trading Volume and Technical Indicators EVALUATED
Esta dissertação apresenta uma estratégia inovadora para prever variações de preços de Bitcoin durante períodos de volume de negociação elevados, através do uso dos indicadores técnicos de Bitcoin. Para atingir esse objetivo, são utilizados dois algoritmos de aprendizagem automática, SVM e XGBoost. O estudo explora dois mecanismos de classificação: ponto a ponto e de janela deslizante. A classificação binária permite que a estratégia assuma posições longas, enquanto a classificação multiclasse permite posições longas e curtas. Esta pesquisa representa um esforço pioneiro para correlacionar o volume de negociação com os movimentos dos preços de Bitcoin, com o objetivo de desenvolver uma estratégia de negociação que ofereça maior segurança em comparação com uma abordagem de comprar e manter. A estratégia não necessita de exposição constante ao mercado, permitindo aos investidores lucrar durante períodos de elevado volume de negociação, independentemente da direção do preço de Bitcoin. No período de teste mais curto, de 31.4 dias, o mecanismo de classificação de janela deslizante multiclasse produziu os melhores resultados. Nomeadamente, o SVM alcançou um ROI de 14.07% com uma precisão de 60.52%, enquanto o XGBoost alcançou um ROI de 7.70% com uma precisão de 75.23%. Por outro lado, durante o período de teste mais longo, de 319.6 dias, o SVM alcançou um ROI de 56.07% com uma precisão de 25.94% usando o mecanismo de classificação ponto a ponto. Enquanto isso, o XGBoost demonstrou o seu melhor desempenho com o mecanismo de classificação de janela deslizante, atingindo um ROI de 11.70% com uma precisão de 77.99%.
junho 25, 2024, 11:0
Documentos da dissertação ainda não disponíveis publicamente
Orientação
ORIENTADOR
Rui Fuentecilla Maia Ferreira Neves
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Auxiliar