Modelo de Previsão de Preço de Token

Descrição

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.

Bibliotecas e Ferramentas Utilizadas

• 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

Modelos Utilizados

Redes Neurais

• 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

Gradient Boosting

• 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.

ARIMA (AutoRegressive Integrated Moving Average)

• Modelo de série temporal usado para prever valores futuros com base em valores passados.
• Utilizado para capturar sazonalidade e tendências nos dados.

Otimização de Hiperparâmetros

• Usamos técnicas de otimização para encontrar os melhores hiperparâmetros para os modelos acima.

Técnicas Estatísticas

As seguintes técnicas estatísticas e indicadores são usados para enriquecer o conjunto de dados e melhorar a eficácia dos modelos:

RSI (Relative Strength Index)

• Índice de Força Relativa, utilizado para identificar condições de sobrecompra ou sobrevenda no preço de um ativo.

Bollinger Bands

• Bollinger_Mean: Média móvel.
• Bollinger_Upper: Banda superior de Bollinger, usada para identificar sobrecompra.
• Bollinger_Lower: Banda inferior de Bollinger, usada para identificar sobrevenda.

VWAP (Volume Weighted Average Price)

• Média Ponderada pelo Volume do Preço, usada para identificar a tendência de preço com base no volume negociado.

MACD (Moving Average Convergence Divergence)

• Utilizado para identificar mudanças na força, direção, momentum e duração de uma tendência em um preço de ativo.

Moving Average

• Média móvel dos preços, usada para identificar tendências.

Weighted Moving Average

• Média móvel ponderada, dá mais peso aos preços mais recentes.

Volatility

• Medida da variação do preço de um ativo ao longo do tempo.

Garch Fitted

• Modelo GARCH (Generalized Autoregressive Conditional Heteroskedasticity) ajustado, usado para modelar a volatilidade do ativo.

Dados e Fonte de Origem

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.