PREDICCIÓN DE CRIPTOMONEDAS UTILIZANDO REDES NEURONALES ARTIFICIALES RECURRENTES
DOI:
https://doi.org/10.47820/recima21.v4i6.3378Palabras clave:
Bitcoin, Pandas, TensorFlow, Red Neuronal Recurrente, Aprendizaje ProfundoResumen
El presente estudio demuestra la creación de software que tiene la capacidad de predecir la oscilación de la criptomoneda Bitcoin a través del aprendizaje profundo, a través de la red neuronal recurrente del tipo Long-Term Memory (LSTM), que manipula los valores de cierre de la criptomoneda como datos secuenciales temporales. El desarrollo del software se basó en la programación Python, utilizando librerías como Pandas, TensorFlow y Numpy, que se utilizan comúnmente para la visualización y análisis de datos. El proceso de aprendizaje del programa se basó en los valores de Bitcoin en el período comprendido entre enero de 2016 y enero de 2022. A partir de la lectura de los datos, el software generó un gráfico de predicción final, que demostró ser capaz de predecir la oscilación de una criptomoneda, a pesar de cierta divergencia del valor real y el valor previsto. Puede optimizar el software refinando el número de pruebas realizadas. Sin embargo, los resultados obtenidos no pueden ser confiables o utilizados como una herramienta de inversión.
Descargas
Referencias
ABADI, M; AGARWAL, A; BARHAM, P et al. TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systens, Estados Unidos, mar. 2016. DOI: https://doi.org/10.48550/arXiv.1603.04467
BISHOP, C, M. Neural Networks for Pattern Recognition. Oxônia: Oxford University Press, 1995, 504p.
BISHOP, C, M. Pattern recognition and machine learning. Nova Iorque: Springer, 2006, 738p.
BRAGA, A; LUDERMIR, T; CARVALHO, A. Redes Neurais Artificiais: Teoria e aplicações. Rio de Janeiro: LTC, 2000, 262p.
FERNANDES, A. Inteligência artificial: noções gerais. Florianópolis: Visual Books, 2003, 160p.
GREFF, K; SRIVASTAVA, R, K; KOUNTNÍK, J et al. LSTM: A Search Space Odyssey. Institute of Electrical and Electronics Engineers, Piscataway, v. 28, n. 10, p. 2222-2232, out. 2017. DOI: https://doi.org/10.48550/arXiv.1503.04069
HARRIS, C; MILLMAN, K; WALT, S et al. Array programming with NumPy, Berlim, v. 585, p 357-362, set. 2020. DOI: https://doi.org/10.1038/s41586-020-2649-2
HAYKIN, S. Neural Networks: A Comprehensive Foundation. Michigan: Pearson, 1998, 842p.
JANIESCH, C; ZSCHECH, P; HEINRICH, K. Machine Learning and Deep Learning. Electronic Markets, Alemanha, v. 31, p 685-695, abr. 2021. DOI: https://doi.org/10.1007/s12525-021-00475-2
KARPATHY, A. The Unreasonable Effectiveness of Recurrent Neural Networks. 2015. Disponível em: <https://karpathy.github.io/2015/05/21/rnn-effectiveness/> Acesso em 20 de mar. 2022.
KOUTNÍK, J; GREFF, K; GOMEZ, F; SCHMIDHUBER, J. A Clockwork RNN. Proceedings of the 31st International Conference on Machine Learning, PMLR 32(2):1863-1871, 2014. DOI: https://doi.org/10.48550/arXiv.1402.3511
MATPLOTLIB, 2023. Disponível em: <https://github.com/matplotlib/matplotlib> Acesso em 10 de mar. 2023
MATTOS, O, B; ABOUCHEDID, S; SILVA, L, A. As criptomoedas e os novos desafios ao sistema monetário: uma abordagem pós-keynesiana. Economia e Sociedade, Campinas, v. 29, n. 3, p. 761-778, dez. 2020. DOI: https://doi.org/10.1590/1982-3533.2020v29n3art04
NAKAMOTO, Satoshi. Bitcoin: A Peer-to-Peer Electronic Cash System. 2008. Disponível em: <https://bitcoin.org/bitcoin.pdf> Acesso em 10 de jul. 2022.
NUMPY, Numpy Documentation, 2023. Disponível em: <https://numpy.org/doc/stable/> Acesso em 10 de mar. 2023
PANDAS. Packge Overview, 2023. Disponível em: <https://pandas.pydata.org/docs/getting_started/overview.html> Acesso em 10 de mar. 2023
PEDREGOSA, F; VAROQUAUX, G; GRAMFORT, A et al. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, Estados Unidos, v. 12, p 2825-2830, 2011
PHI, M. Illustrated Guide to Recurrent Neural Networks. 2018. Disponível em: < https://towardsdatascience.com/illustrated-guide-to-recurrent-neural-networks-79e5eb8049c9> Acesso em 9 de abr. 2022.
ROSA, J. Fundamentos da Inteligência Artificial. Rio de Janeiro: LTC, 2011, 228p.
RUSSEL, S; NORVIG, P. Inteligência Artificial. Rio de Janeiro: Elsevier, 2010, 1136p.
SENA, L; DIAN, M. Criptomoeda: Como obtê-la através da mineração. Revista Interface Tecnológica, Taquaritinga, v.17, n.2, p. 364-375, dez. 2020. DOI: https://doi.org/10.31510/infa.v17i2.1053
SUTSKEVER, I. Training Recurrent Neural Networks. 2013. 101 f. Dissertação (Doutorado em Ciência da Computação) – Universidade de Toronto.
TENSORFLOW, 2023. Disponível em: <https://github.com/tensorflow/tensorflow> Acesso em 10 de mar. 2023
TREDINNICK, L. Cryptocurrencies and the Blockchain. Business Information Review, Reino Unido, v. 36, p 39-44, mar. 2019. DOI: https://doi.org/10.1177/0266382119836314
YFINANCE, 2023. Disponível em: <https://github.com/ranaroussi/yfinance> Acesso em 10 de mar. 2023
Descargas
Publicado
Número
Sección
Categorías
Licencia
Derechos de autor 2023 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista RECIMA21, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a RECIMA21 apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação.
