Análise Comparativa de Modelos Estatísticos e de Aprendizado de Máquina para Previsão de Preços e Movimentos Direcionais de Criptomoedas

Vol 57, 2025 - 339887
Trabalho completo (Oral)
Favoritar este trabalho
Como citar esse trabalho?
Resumo

Este trabalho aborda a comparação entre métodos estatísticos e de aprendizado profundo na previsão de preços e movimentos direcionais em criptomoedas. Foram analisadas séries de preços diárias no período de 09/11/2017 a 31/12/2024 para quatro criptoativos (Bitcoin, Ethereum, Litecoin e Ripple). Os métodos estatísticos utilizados foram ARIMA e ETS, e os de aprendizado profundo foram LSTM, RNN e GRU. Os resultados indicam que ARIMA e ETS concentraram os menores valores de MAPE na maior parte das combinações de ativo e horizonte, enquanto os modelos recorrentes apresentaram maior destaque na acurácia direcional, especialmente nos horizontes de 7 e 14 dias. Nos testes de Diebold-Mariano aplicáveis ao ARIMA, não se rejeitou a hipótese de igualdade de acurácia preditiva frente ao random walk em nenhuma das comparações avaliáveis. Os resultados reforçam, portanto, a importância de considerar conjuntamente magnitude do erro, direção do movimento e significância estatística na comparação entre modelos.

Compartilhe suas ideias ou dúvidas com os autores!

Sabia que o maior estímulo no desenvolvimento científico e cultural é a curiosidade? Deixe seus questionamentos ou sugestões para o autor!

Faça login para interagir

Tem uma dúvida ou sugestão? Compartilhe seu feedback com os autores!

Instituições
  • 1 Instituto Tecnológico de Aeronáutica (ITA)
Eixo Temático
  • AS&DS – Análise e Ciência de Dados
Palavras-chave
Criptomoedas
Previsão de séries temporais
Aprendizado de máquina