Uso de algoritmos de aprendizado de máquina na previsão de ativos financeiros utilizando indicadores técnicos: avaliação de modelos preditivos em séries temporais financeiras

Página do item simplificado
dc.contributor.advisorBasílio, Samuel da Costa Alves
dc.contributor.advisor-coFerreira, Fernando Garcia Diniz Campos
dc.contributor.advisor-coLatteshttp://lattes.cnpq.br/4126688051850017
dc.contributor.advisorLatteshttp://lattes.cnpq.br/6188828001943466
dc.contributor.authorFernandes, Vinícius Lima
dc.contributor.authorLatteshttp://lattes.cnpq.br/3836261899945973
dc.contributor.refereeBasílio, Samuel da Costa Alves
dc.contributor.refereeFerreira, Fernando Garcia Diniz Campos
dc.contributor.refereeSilva, José Eduardo Henriques da
dc.contributor.refereeOliveira, Luan Soares
dc.date.accessioned2026-07-09T11:54:02Z
dc.date.available2026-07-09T11:54:02Z
dc.date.issued2026-06-19
dc.description.abstractPrever 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.
dc.description.abstractotherPredicting the behavior of a financial asset is a complex task, since its value is determined by a combination of diverse factors, such as economic, political, emotional, and even behavioral conditions of market agents. In this context, cryptocurrencies represent assets with distinct characteristics from traditional financial markets, such as high volatility and the absence of centralized regulation, which makes predicting their trends even more challenging. This work aims to evaluate the performance of different machine learning algorithms in predicting cryptocurrency trends with distinct market characteristics, verifying how these characteristics influence the effectiveness of the models. For this purpose, the Random Forest (RF), K-Nearest Neighbors (KNN), and Long Short-Term Memory (LSTM) models were applied to Bitcoin (BTC), Ethereum (ETH), and Cardano (ADA), representing respectively a reference asset, a more stable scenario, and a more volatile scenario. Technical indicators were used as model inputs, with Precision as the main evaluation metric. Each model was executed over thirty independent simulations, enabling statistical analysis. ETH, representing the most stable scenario, presented the worst precision results, with models close to the random threshold of 50%. ADA, representing the most volatile scenario, produced the best financial returns. LSTM was the only model to significantly outperform the buy and hold strategy across all three assets simultaneously, demonstrating greater generalization capacity across different market scenarios.
dc.identifier.urihttps://repositorio.cefetmg.br//handle/123456789/2795
dc.language.isopt
dc.publisherCentro Federal de Educação Tecnológica de Minas Gerais
dc.publisher.countryBrasil
dc.publisher.departmentDepartamento de Computação
dc.publisher.initialsCEFET-MG
dc.subjectInteligência artificial
dc.subjectAprendizado computacional
dc.subjectIndicadores
dc.subjectAnálise de séries temporais
dc.subjectDinheiro digital
dc.titleUso de algoritmos de aprendizado de máquina na previsão de ativos financeiros utilizando indicadores técnicos: avaliação de modelos preditivos em séries temporais financeiras
dc.typeTrabalho de Conclusão de Curso da Graduação

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Uso de algoritmos de aprendizagem de máquina na previsão de ativos financeiros utilizando indicadores técnicos avaliação de modelos preditivos em séries temporais financeiras (1).pdf
Tamanho:
641.4 KB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Uso de algoritmos de aprendizagem de máquina na previsão de ativos financeiros utilizando indicadores técnicos avaliação de modelos preditivos em séries temporais financeiras (1).pdf
Tamanho:
641.4 KB
Formato:
Adobe Portable Document Format
Descrição:
Baixar

Coleções

Engenharia de Computação (Leopoldina)