Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.234
Aluno: Hugo Leonardo Bezerra Fernandes
Orientador: Prof. Daniel Carvalho da Cunha
Título: Bitcasting: Uma abordagem de aprendizado de máquina para previsão da direção do Bitcoin em múltiplos horizontes temporais
Data: 31/07/2025
Hora/Local: 15h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Paulo Salgado Gomes de Mattos Neto (UFPE / Centro de Informática)
Prof. Francisco Madeiro Bernardino Junior (UNICAP/Escola de Tecnologia e Comunicação)
Prof. Daniel Carvalho da Cunha (UFPE / Centro de Informática)
RESUMO:
Este trabalho investiga a eficácia de modelos de machine learning na previsão da direção do preço do Bitcoin em múltiplos horizontes de tempo. Treinamos modelos para classificar os movimentos de preços como sinais de compra, venda ou manutenção, utilizando características técnicas, fundamentais e de séries temporais. Nossa metodologia integra engenharia de características, dados da Binance e CoinMetrics, e uma avaliação comparativa de XGBoost, máquina de vetores de suporte (SVM), regressão logística e random forest.
Os resultados mostram que as séries temporais e os indicadores técnicos são especialmente eficazes em horizontes mais curtos. Entre os modelos, o XGBoost consistentemente alcançou desempenho superior tanto em acurácia de classificação quanto em lucratividade de negociação. Estratégias de negociação simuladas baseadas nas previsões do modelo superaram notavelmente uma referência de “comprar e manter” (buy-and-hold), atingindo retornos cumulativos de 347% e 607% para horizontes de 3 e 30 dias, respectivamente, mantendo Sharpe ratios competitivos.
Palavras-chave: Bitcoin, Criptomoeda, Aprendizado de máquina, análise de séries temporais, análise técnica, previsão;
Comentários desativados