Uso de redes neurais profundas para previsão de curto prazo do preço da criptomoeda ethereum

Detalhes bibliográficos
Autor(a) principal: Lopes, Eduardo José Costa
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da FEI
Texto Completo: https://repositorio.fei.edu.br/handle/FEI/4586
Resumo: A criptomoeda se tornou um ativo popular nos mercados financeiros globais, o que significa que não apenas investidores individuais, mas também empresas de gestão de ativos em todo o mundo estão considerando essa nova classe de investimento. A principal contribuição desta pesquisa é abordar um problema univariado de previsão intra-diário com granularidade horária que compara arquiteturas de Redes neurais Artificiais Profundas e com mecanismos de atenção para a moeda intrínseca do Ethereum (ETH). Os resultados obtidos nos ajustes dos modelos e na predição levando-se em consideração séries históricas de dados recentes mostraram que a rede convolucional temporal TCN está contida no grupo de modelos mais acurados e com melhor retorno financeiro, superando outras arquiteturas consideradas em termos de tempo de processamento e o modelo ARIMA considerado como linha de base
id FEI_6d98717621a610f555052b55a35b4991
oai_identifier_str oai:repositorio.fei.edu.br:FEI/4586
network_acronym_str FEI
network_name_str Biblioteca Digital de Teses e Dissertações da FEI
repository_id_str https://repositorio.fei.edu.br/oai/request
spelling Uso de redes neurais profundas para previsão de curto prazo do preço da criptomoeda ethereumcriptomoedasredes neurais recorrentesA criptomoeda se tornou um ativo popular nos mercados financeiros globais, o que significa que não apenas investidores individuais, mas também empresas de gestão de ativos em todo o mundo estão considerando essa nova classe de investimento. A principal contribuição desta pesquisa é abordar um problema univariado de previsão intra-diário com granularidade horária que compara arquiteturas de Redes neurais Artificiais Profundas e com mecanismos de atenção para a moeda intrínseca do Ethereum (ETH). Os resultados obtidos nos ajustes dos modelos e na predição levando-se em consideração séries históricas de dados recentes mostraram que a rede convolucional temporal TCN está contida no grupo de modelos mais acurados e com melhor retorno financeiro, superando outras arquiteturas consideradas em termos de tempo de processamento e o modelo ARIMA considerado como linha de baseCryptocurrency has become a popular asset in global financial markets, meaning that not only individual investors but also asset management companies around the world are considering this new investment class. The main contribution of this research is to address an intra-day forecasting problem with hourly granularity by comparing deep network architectures, including ones with and attention mechanisms for the Ethereum intrinsic cryptocurrency (ETH). The results showed that the TCN outperformed other architectures considered for a short-term forecast period in terms of processing time and it is amongst the most accurate models using an ARIMA model as a baselineCentro Universitário FEI, São Bernardo do CampoBianchi, Reinaldo Augusto da CostaLopes, Eduardo José Costa2022-09-10T18:49:42Z2022-09-10T18:49:42Z2022info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://repositorio.fei.edu.br/handle/FEI/4586porpt_BRInteligência Artificial Aplicada à Automação e Robóticareponame:Biblioteca Digital de Teses e Dissertações da FEIinstname:Centro Universitário da Fundação Educacional Inaciana (FEI)instacron:FEIinfo:eu-repo/semantics/openAccess2024-03-01T22:47:49Zoai:repositorio.fei.edu.br:FEI/4586Biblioteca Digital de Teses e Dissertaçõeshttp://sofia.fei.edu.br/pergamum/biblioteca/PRIhttp://sofia.fei.edu.br/pergamum/oai/oai2.phpcfernandes@fei.edu.bropendoar:https://repositorio.fei.edu.br/oai/request2024-03-01T22:47:49Biblioteca Digital de Teses e Dissertações da FEI - Centro Universitário da Fundação Educacional Inaciana (FEI)false
dc.title.none.fl_str_mv Uso de redes neurais profundas para previsão de curto prazo do preço da criptomoeda ethereum
title Uso de redes neurais profundas para previsão de curto prazo do preço da criptomoeda ethereum
spellingShingle Uso de redes neurais profundas para previsão de curto prazo do preço da criptomoeda ethereum
Lopes, Eduardo José Costa
criptomoedas
redes neurais recorrentes
title_short Uso de redes neurais profundas para previsão de curto prazo do preço da criptomoeda ethereum
title_full Uso de redes neurais profundas para previsão de curto prazo do preço da criptomoeda ethereum
title_fullStr Uso de redes neurais profundas para previsão de curto prazo do preço da criptomoeda ethereum
title_full_unstemmed Uso de redes neurais profundas para previsão de curto prazo do preço da criptomoeda ethereum
title_sort Uso de redes neurais profundas para previsão de curto prazo do preço da criptomoeda ethereum
author Lopes, Eduardo José Costa
author_facet Lopes, Eduardo José Costa
author_role author
dc.contributor.none.fl_str_mv Bianchi, Reinaldo Augusto da Costa
dc.contributor.author.fl_str_mv Lopes, Eduardo José Costa
dc.subject.por.fl_str_mv criptomoedas
redes neurais recorrentes
topic criptomoedas
redes neurais recorrentes
description A criptomoeda se tornou um ativo popular nos mercados financeiros globais, o que significa que não apenas investidores individuais, mas também empresas de gestão de ativos em todo o mundo estão considerando essa nova classe de investimento. A principal contribuição desta pesquisa é abordar um problema univariado de previsão intra-diário com granularidade horária que compara arquiteturas de Redes neurais Artificiais Profundas e com mecanismos de atenção para a moeda intrínseca do Ethereum (ETH). Os resultados obtidos nos ajustes dos modelos e na predição levando-se em consideração séries históricas de dados recentes mostraram que a rede convolucional temporal TCN está contida no grupo de modelos mais acurados e com melhor retorno financeiro, superando outras arquiteturas consideradas em termos de tempo de processamento e o modelo ARIMA considerado como linha de base
publishDate 2022
dc.date.none.fl_str_mv 2022-09-10T18:49:42Z
2022-09-10T18:49:42Z
2022
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.fei.edu.br/handle/FEI/4586
url https://repositorio.fei.edu.br/handle/FEI/4586
dc.language.iso.fl_str_mv por
pt_BR
language por
language_invalid_str_mv pt_BR
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv Inteligência Artificial Aplicada à Automação e Robótica
dc.publisher.none.fl_str_mv Centro Universitário FEI, São Bernardo do Campo
publisher.none.fl_str_mv Centro Universitário FEI, São Bernardo do Campo
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da FEI
instname:Centro Universitário da Fundação Educacional Inaciana (FEI)
instacron:FEI
instname_str Centro Universitário da Fundação Educacional Inaciana (FEI)
instacron_str FEI
institution FEI
reponame_str Biblioteca Digital de Teses e Dissertações da FEI
collection Biblioteca Digital de Teses e Dissertações da FEI
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da FEI - Centro Universitário da Fundação Educacional Inaciana (FEI)
repository.mail.fl_str_mv cfernandes@fei.edu.br
_version_ 1809225182189977600

Registros relacionados