Aplicação de métodos de aprendizado de máquina para identificar pontos de negociação de criptomoedas
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFSC |
Texto Completo: | https://repositorio.ufsc.br/handle/123456789/218835 |
Resumo: | TCC(graduação) - Universidade Federal de Santa Catarina. Campus Araranguá. Engenharia da Computação. |
id |
UFSC_d28c75c3a531b2ee5cb54a33d5468236 |
---|---|
oai_identifier_str |
oai:repositorio.ufsc.br:123456789/218835 |
network_acronym_str |
UFSC |
network_name_str |
Repositório Institucional da UFSC |
repository_id_str |
2373 |
spelling |
Aplicação de métodos de aprendizado de máquina para identificar pontos de negociação de criptomoedasAprendizado de MáquinaCriptomoedasIndicadores técnicosTCC(graduação) - Universidade Federal de Santa Catarina. Campus Araranguá. Engenharia da Computação.Com mais de 158 bilhões de dólares transacionados diariamente e mais de 7000 ativos, o mercado de criptomoedas se mostra um ambiente atrativo para a realização de investimentos financeiros. Um método comum de investimento é o trading, onde o investidor realiza análise técnica ou fundamentalista para tomar decisões de compra ou venda de um ativo em um curto período de tempo. A análise técnica utiliza vários indicadores para auxiliar na tomada de decisão, no entanto é extremamente difícil para os investidores encontrarem regras de negociação úteis devido à complexidade agregada na análise conforme é realizada a adição de um novo indicador. Considerando este contexto, é proposto neste trabalho um método baseado em aprendizado de máquina e otimização com o objetivo identificar momentos de compra e venda de criptomoedas com base em um grupo de indicadores técnicos. Para tal, foi desenvolvido um sistema utilizando-se do algoritmo de floresta aleatória para classificar a posição em cada dia de negociação (compra, venda ou manter posição). Em seguida aplicou-se o algoritmo simulated annealing para realizar a otimização do ganho mínimo e stop loss para maximizar o retorno de uma negociação. O método foi testado em um grupo de seis criptomoedas durante nove meses. Em todos os casos os resultados apresentados superaram o retorno de investimento da estratégia Buy and Hold, sendo o melhor resultado apresentado pela criptomoeda Etherium com 229% de retorno do investimento. Mais do que isso, este trabalho demonstra que não é necessária uma estratégia com acurácia maior que 50% nas negociações para se obter lucro.With more than 158 billion dollars traded daily and more than 7000 assets, the cryptocurrency market is an attractive environment for making financial investments. A common investiment method is trading, where the investor performs technical or fundamental analysis to make decisions to buy or sell an asset in a short period of time. Technical analysis uses several indicators to assist in decision making, however it is extremely difficult for investors to find useful trading rules due to the added complexity of the analysis as a new indicator are added.In this study, a method based on machine learning and optimization is proposed in order to identify opportunities of buying and selling cryptocurrencies. For this, a system was developed using the random forest algorithm to classify the position on each trading day (buy, sell or do nothing). Then the simulated annealing algorithm was applied to optimize the minimum gain and stop loss in order to maximize the return on a trade. The method was tested on a group of six cryptocurrencies during nine months. In all cases the results presented exceeded the investment return of the Buy and Hold strategy. The best result presented was in the cryptocurrency Etherium with 229 % return on investment. More than that, this work shows that it is not necessary a strategy with accuracy greater than 50 % in the negotiations to obtain profit.Araranguá, SCGonçalves, Alexandre LeopoldoUniversidade Federal de Santa CatarinaGhellere, Gabriel Velho2020-12-22T18:43:32Z2020-12-22T18:43:32Z2020-12-09info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis68application/pdfhttps://repositorio.ufsc.br/handle/123456789/218835info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSC2020-12-22T18:43:32Zoai:repositorio.ufsc.br:123456789/218835Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732020-12-22T18:43:32Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false |
dc.title.none.fl_str_mv |
Aplicação de métodos de aprendizado de máquina para identificar pontos de negociação de criptomoedas |
title |
Aplicação de métodos de aprendizado de máquina para identificar pontos de negociação de criptomoedas |
spellingShingle |
Aplicação de métodos de aprendizado de máquina para identificar pontos de negociação de criptomoedas Ghellere, Gabriel Velho Aprendizado de Máquina Criptomoedas Indicadores técnicos |
title_short |
Aplicação de métodos de aprendizado de máquina para identificar pontos de negociação de criptomoedas |
title_full |
Aplicação de métodos de aprendizado de máquina para identificar pontos de negociação de criptomoedas |
title_fullStr |
Aplicação de métodos de aprendizado de máquina para identificar pontos de negociação de criptomoedas |
title_full_unstemmed |
Aplicação de métodos de aprendizado de máquina para identificar pontos de negociação de criptomoedas |
title_sort |
Aplicação de métodos de aprendizado de máquina para identificar pontos de negociação de criptomoedas |
author |
Ghellere, Gabriel Velho |
author_facet |
Ghellere, Gabriel Velho |
author_role |
author |
dc.contributor.none.fl_str_mv |
Gonçalves, Alexandre Leopoldo Universidade Federal de Santa Catarina |
dc.contributor.author.fl_str_mv |
Ghellere, Gabriel Velho |
dc.subject.por.fl_str_mv |
Aprendizado de Máquina Criptomoedas Indicadores técnicos |
topic |
Aprendizado de Máquina Criptomoedas Indicadores técnicos |
description |
TCC(graduação) - Universidade Federal de Santa Catarina. Campus Araranguá. Engenharia da Computação. |
publishDate |
2020 |
dc.date.none.fl_str_mv |
2020-12-22T18:43:32Z 2020-12-22T18:43:32Z 2020-12-09 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufsc.br/handle/123456789/218835 |
url |
https://repositorio.ufsc.br/handle/123456789/218835 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
68 application/pdf |
dc.publisher.none.fl_str_mv |
Araranguá, SC |
publisher.none.fl_str_mv |
Araranguá, SC |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFSC instname:Universidade Federal de Santa Catarina (UFSC) instacron:UFSC |
instname_str |
Universidade Federal de Santa Catarina (UFSC) |
instacron_str |
UFSC |
institution |
UFSC |
reponame_str |
Repositório Institucional da UFSC |
collection |
Repositório Institucional da UFSC |
repository.name.fl_str_mv |
Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC) |
repository.mail.fl_str_mv |
|
_version_ |
1808652050386386944 |