Uso de algoritmos de aprendizado de máquina na previsão de ativos financeiros utilizando indicadores técnicos: avaliação de modelos preditivos em séries temporais financeiras
Carregando...
Data
2026-06-19
Autores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Centro Federal de Educação Tecnológica de Minas Gerais
Resumo
Prever o comportamento de um ativo no mercado financeiro é uma tarefa complexa, uma vez que seu valor é determinado pela combinação de diversos fatores, como condições econômicas, políticas, emocionais e até mesmo comportamentais dos agentes de mercado. Nesse contexto, as criptomoedas representam ativos com características distintas dos mercados tradicionais, como alta volatilidade e ausência de regulação centralizada, o que torna a previsão de sua tendência ainda mais desafiadora. Este trabalho tem como objetivo avaliar o desempenho de diferentes algoritmos de aprendizado de máquina na previsão de tendências de criptomoedas com características distintas de mercado, verificando como essas características influenciam na eficácia dos modelos. Para isso, foram utilizados os modelos Random Forest (RF), K-Nearest Neighbors (KNN) e Long Short-Term Memory (LSTM), aplicados ao Bitcoin (BTC), Ethereum (ETH) e Cardano (ADA), representando respectivamente um ativo de referência, um cenário de maior estabilidade e um cenário de maior volatilidade. Os indicadores técnicos foram utilizados como entrada para os modelos, com foco na métrica de Precisão como critério principal de avaliação. Cada modelo foi executado por trinta simulações independentes, permitindo a análise estatística. O ETH, representando o cenário mais estável, apresentou os piores resultados de precisão, com modelos próximos ao limiar aleatório de 50%. O ADA, representando o cenário mais volátil, produziu os melhores retornos financeiros. O LSTM foi o único modelo a superar significativamente o buy and hold nos três ativos simultaneamente, demonstrando maior capacidade de generalização entre diferentes cenários de mercado.
Descrição
Palavras-chave
Inteligência artificial, Aprendizado computacional, Indicadores, Análise de séries temporais, Dinheiro digital