Este repositório contém um script Python desenvolvido por Bruno Araujo para prever os preços do token usando várias técnicas de aprendizado de máquina e séries temporais. Foi utilizado como exemplo o token MATIC.
- numpy: Manipulação numérica e álgebra linear.
- pandas: Manipulação e análise de dados.
- matplotlib: Criação de gráficos e visualizações.
- pycoingecko: API para obter dados de criptomoedas.
- keras_turner: Técnicas de otimização para Hiperparâmetros
- tensorflow.keras: Construção de modelos de redes neurais.
- sklearn.preprocessing: Pré-processamento e escalonamento de dados.
- fredapi: API para obter dados econômicos do FRED
- Usamos o framework TensorFlow para implementar um modelo de rede neural com camadas LSTM (Long Short-Term Memory) para capturar a temporalidade nos dados.
- Otimizador: Adam
- Modelo de boosting para criar um modelo forte a partir de vários modelos de árvores de decisão.
- Utilizado para capturar relações não-lineares nos dados.
- Modelo de série temporal usado para prever valores futuros com base em valores passados.
- Utilizado para capturar sazonalidade e tendências nos dados.
- Usamos técnicas de otimização para encontrar os melhores hiperparâmetros para os modelos acima.
As seguintes técnicas estatísticas e indicadores são usados para enriquecer o conjunto de dados e melhorar a eficácia dos modelos:
- Índice de Força Relativa, utilizado para identificar condições de sobrecompra ou sobrevenda no preço de um ativo.
- Bollinger_Mean: Média móvel.
- Bollinger_Upper: Banda superior de Bollinger, usada para identificar sobrecompra.
- Bollinger_Lower: Banda inferior de Bollinger, usada para identificar sobrevenda.
- Média Ponderada pelo Volume do Preço, usada para identificar a tendência de preço com base no volume negociado.
- Utilizado para identificar mudanças na força, direção, momentum e duração de uma tendência em um preço de ativo.
- Média móvel dos preços, usada para identificar tendências.
- Média móvel ponderada, dá mais peso aos preços mais recentes.
- Medida da variação do preço de um ativo ao longo do tempo.
- Modelo GARCH (Generalized Autoregressive Conditional Heteroskedasticity) ajustado, usado para modelar a volatilidade do ativo.
Os dados utilizados para treinar os modelos e fazer as previsões são retirados da API CoinGecko. A API fornece dados históricos dos preços do token, que são então utilizados para treinar os modelos. Alguns dados utilizados são:
- Marcketcap: Volume de mercado de criptmoedas.
- Preço Histórico: Preço histórico como referencia: BTC, ETH e BNB além do token escolhido pelo usuário para relizar a projeção do valor.
- Taxa de Inflação: É resgatado o histórico de inflação da economia americana. A taxa de inflação é usada para ajustar o preço do ativo ao longo do tempo.
- Taxa de Juros: Taxa de juro americano é usada para descontar os fluxos de caixa futuros para o valor presente.
Este modelo tem como carater de estudo apenas.