USO DE REDES NEURAIS RECORRENTES PARA PREVISÃO DE TENDÊNCIAS EM SÉRIES TEMPORAIS DE CRIPTOMOEDAS

A PROPOSTA DESTE TRABALHO CONSISTE NA COLETA DE PEQUENAS JANELAS DE TEMPO COM HISTÓRICOS DE PREÇO E VOLUME, JUNTAMENTE A INDICADORES TÉCNICOS DERIVADOS DESSES DADOS COM A UTILIZAÇÃO DE MODELOS CONSOLIDADOS PELA LITERATURA COMO AS REDES NEURAIS RECORRENTES COM ARQUITETURA LONG SHORT-THERM MEMORY (LSTM) PARA PREDIÇÃO DE SÉRIES TEMPORAIS, QUE SÃO UM TIPO ESPECÍFICO DE REDES NEURAIS ARTIFICIAIS CAPAZES DE APRENDER DEPENDÊNCIAS DE LONGO PRAZO, ADAPTANDO-SE MELHOR PARA O PROBLEMA. ESTE TRABALHO TAMBÉM PROPÕE UM MÉTODO DE COMBINAÇÃO DE TRANSFORMADAS WAVELET PARA ALIMENTAR AS ARQUITETURAS DE REDES NEURAIS RECORRENTES PARA PREVISÃO DESSAS TENDÊNCIAS. AS TRANSFORMADAS SÃO USADAS PARA PRÉ-PROCESSAR AS SÉRIES TEMPORAIS NÃO LINEARES REMOVENDO RUÍDOS, SUAVIZANDO O SINAL PRODUZIDO PELA ALTA VOLATILIDADE DAS SÉRIES, FORNECENDO UM PARADIGMA DE APRENDIZADO DE FASE MAIS PRÓXIMO DA REDE NEURAL ARTIFICIAL.