Previsibilidade da direção do preço intradiário do bitcoin com modelos de random forest
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da USP |
Texto Completo: | https://www.teses.usp.br/teses/disponiveis/12/12139/tde-04092023-191410/ |
Resumo: | O mercado de negociação do bitcoin apresentou um acelerado crescimento a partir do ano de 2019 e atraiu a atenção de investidores individuais e institucionais. Dada a elevada volatilidade das cotações da moeda digital, previsões acuradas sobre a direção futura de seus preços são de grande importância para os participantes deste mercado. A dinâmica complexa dos preços da criptomoeda demanda o uso de técnicas sofisticadas de aprendizado de máquinas para a realização de previsões. Neste contexto, este trabalho objetivou avaliar a previsibilidade da direção do preço intradiário do bitcoin durante o período de janeiro de 2020 a dezembro de 2022. Para este propósito, modelos de random forest foram utilizados para prever se a criptomoeda seria valorizada ou desvalorizada nos horizontes de previsão de um minuto, cinco minutos, quinze minutos, uma hora, seis horas e um dia. As variáveis explicativas se referem a defasagens de retornos de preços de fechamento, máximos e mínimos da própria criptomoeda. As previsões da moeda digital por modelos de random forest foram comparadas com as previsões dos modelos ARIMA e de regressão logística, em termos de medidas de poder preditivo. Os resultados encontrados apontam violações na verificação empírica da hipótese de eficiência de mercado em sua forma fraca para os preços intradiários do bitcoin. Os movimentos intradiários da moeda puderam ser previstos por modelos de random forest com acurácia superior a observada por um modelo de passeio aleatório e pelos modelos competidores para diferentes horizontes de previsão. |
id |
USP_9bf2cef5d3c0f31b9f9fd6222c107479 |
---|---|
oai_identifier_str |
oai:teses.usp.br:tde-04092023-191410 |
network_acronym_str |
USP |
network_name_str |
Biblioteca Digital de Teses e Dissertações da USP |
repository_id_str |
2721 |
spelling |
Previsibilidade da direção do preço intradiário do bitcoin com modelos de random forestPredicting bitcoin intraday price direction using random forest modelsBitcoinBitcoinDados intradiáriosForecastIntraday dataPrevisãoRandom forestRandom forestO mercado de negociação do bitcoin apresentou um acelerado crescimento a partir do ano de 2019 e atraiu a atenção de investidores individuais e institucionais. Dada a elevada volatilidade das cotações da moeda digital, previsões acuradas sobre a direção futura de seus preços são de grande importância para os participantes deste mercado. A dinâmica complexa dos preços da criptomoeda demanda o uso de técnicas sofisticadas de aprendizado de máquinas para a realização de previsões. Neste contexto, este trabalho objetivou avaliar a previsibilidade da direção do preço intradiário do bitcoin durante o período de janeiro de 2020 a dezembro de 2022. Para este propósito, modelos de random forest foram utilizados para prever se a criptomoeda seria valorizada ou desvalorizada nos horizontes de previsão de um minuto, cinco minutos, quinze minutos, uma hora, seis horas e um dia. As variáveis explicativas se referem a defasagens de retornos de preços de fechamento, máximos e mínimos da própria criptomoeda. As previsões da moeda digital por modelos de random forest foram comparadas com as previsões dos modelos ARIMA e de regressão logística, em termos de medidas de poder preditivo. Os resultados encontrados apontam violações na verificação empírica da hipótese de eficiência de mercado em sua forma fraca para os preços intradiários do bitcoin. Os movimentos intradiários da moeda puderam ser previstos por modelos de random forest com acurácia superior a observada por um modelo de passeio aleatório e pelos modelos competidores para diferentes horizontes de previsão.The bitcoin trading market has experienced a fast growth since 2019 and draw the attention of institutional and individual investors. Given the high volatility of the digital coin, accurate forecasting about the future direction of its prices has become more important to market´s investors. The complex dynamics of the cryptocurrency prices requires the use of sophisticated machine learning techniques to perform the predictions. In this context, this work aims to evaluate the predictability of bitcoin´s intraday price direction, during the time period ranging from January 2020 to December 2022. For this purpose, random forest models are used to predict whether the cryptocurrency price would increase or decrease in the predictive horizons of one minute, five minutes, fifteen minutes, one hour, six hours and one day. The model features refer to returns of the own series using the cryptocurrency´s close, high and low trading prices. The random forest predictions for the digital coin were compared with ARIMA and logistic regression predictions, in terms of predictive power metrics. The results point to violations in the empirical verification of the weak form efficient market hypothesis for bitcoin´s intraday prices. The coin´s intraday movements were predicted by random forest models with higher accuracy compared to a random walk model and the competitors in different intraday predictive horizons.Biblioteca Digitais de Teses e Dissertações da USPMaciel, Leandro dos SantosPoli, Paulo de Castro Rubio2023-06-29info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/12/12139/tde-04092023-191410/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2023-09-12T18:31:03Zoai:teses.usp.br:tde-04092023-191410Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212023-09-12T18:31:03Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false |
dc.title.none.fl_str_mv |
Previsibilidade da direção do preço intradiário do bitcoin com modelos de random forest Predicting bitcoin intraday price direction using random forest models |
title |
Previsibilidade da direção do preço intradiário do bitcoin com modelos de random forest |
spellingShingle |
Previsibilidade da direção do preço intradiário do bitcoin com modelos de random forest Poli, Paulo de Castro Rubio Bitcoin Bitcoin Dados intradiários Forecast Intraday data Previsão Random forest Random forest |
title_short |
Previsibilidade da direção do preço intradiário do bitcoin com modelos de random forest |
title_full |
Previsibilidade da direção do preço intradiário do bitcoin com modelos de random forest |
title_fullStr |
Previsibilidade da direção do preço intradiário do bitcoin com modelos de random forest |
title_full_unstemmed |
Previsibilidade da direção do preço intradiário do bitcoin com modelos de random forest |
title_sort |
Previsibilidade da direção do preço intradiário do bitcoin com modelos de random forest |
author |
Poli, Paulo de Castro Rubio |
author_facet |
Poli, Paulo de Castro Rubio |
author_role |
author |
dc.contributor.none.fl_str_mv |
Maciel, Leandro dos Santos |
dc.contributor.author.fl_str_mv |
Poli, Paulo de Castro Rubio |
dc.subject.por.fl_str_mv |
Bitcoin Bitcoin Dados intradiários Forecast Intraday data Previsão Random forest Random forest |
topic |
Bitcoin Bitcoin Dados intradiários Forecast Intraday data Previsão Random forest Random forest |
description |
O mercado de negociação do bitcoin apresentou um acelerado crescimento a partir do ano de 2019 e atraiu a atenção de investidores individuais e institucionais. Dada a elevada volatilidade das cotações da moeda digital, previsões acuradas sobre a direção futura de seus preços são de grande importância para os participantes deste mercado. A dinâmica complexa dos preços da criptomoeda demanda o uso de técnicas sofisticadas de aprendizado de máquinas para a realização de previsões. Neste contexto, este trabalho objetivou avaliar a previsibilidade da direção do preço intradiário do bitcoin durante o período de janeiro de 2020 a dezembro de 2022. Para este propósito, modelos de random forest foram utilizados para prever se a criptomoeda seria valorizada ou desvalorizada nos horizontes de previsão de um minuto, cinco minutos, quinze minutos, uma hora, seis horas e um dia. As variáveis explicativas se referem a defasagens de retornos de preços de fechamento, máximos e mínimos da própria criptomoeda. As previsões da moeda digital por modelos de random forest foram comparadas com as previsões dos modelos ARIMA e de regressão logística, em termos de medidas de poder preditivo. Os resultados encontrados apontam violações na verificação empírica da hipótese de eficiência de mercado em sua forma fraca para os preços intradiários do bitcoin. Os movimentos intradiários da moeda puderam ser previstos por modelos de random forest com acurácia superior a observada por um modelo de passeio aleatório e pelos modelos competidores para diferentes horizontes de previsão. |
publishDate |
2023 |
dc.date.none.fl_str_mv |
2023-06-29 |
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://www.teses.usp.br/teses/disponiveis/12/12139/tde-04092023-191410/ |
url |
https://www.teses.usp.br/teses/disponiveis/12/12139/tde-04092023-191410/ |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
|
dc.rights.driver.fl_str_mv |
Liberar o conteúdo para acesso público. info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Liberar o conteúdo para acesso público. |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.coverage.none.fl_str_mv |
|
dc.publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da USP instname:Universidade de São Paulo (USP) instacron:USP |
instname_str |
Universidade de São Paulo (USP) |
instacron_str |
USP |
institution |
USP |
reponame_str |
Biblioteca Digital de Teses e Dissertações da USP |
collection |
Biblioteca Digital de Teses e Dissertações da USP |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP) |
repository.mail.fl_str_mv |
virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br |
_version_ |
1809090384305848320 |