Uso de redes neurais profundas para previsão de curto prazo do preço da criptomoeda ethereum

Abstract

Agradeço pelo incentivo que me foi dado em momentos de dificuldade por todos os meus familiares, em especial minha mãe que tem feito o papel de pai e mãe há mais de 35 anos. Preciso agradecer o Prof. Dr. Reinaldo Augusto da Costa Bianchi por me ajudar e suportar em todos os momentos que passei durante este período, mas principalmente por acreditar no meu trabalho e em mim. Não posso deixar de mencionar, e talvez nem precise, mas, gostaria de agradecer pelas oportunidades que tem me dado, além do apoio, da motivação, das críticas construtivas e das aulas. Muito obrigado Professor. Aos professores do Centro Universitário FEI pelo incentivos e pelas aulas ministradas:

Estudo sobre o uso do Multifractal Detrended Fluctuation Analysis (MFDFA) como possível indicador de qualidade de previsões

“…Conforme Matias, Silva e Vieira (2007, citado por Costa Lopes, 2022), a fractalidade em séries temporais pode ser identificada diante da observação da não-linearidade, da distribuição não-gaussiana dos retornos em relação à média, da persistência de memória de longo prazo e da existência de ordem de integração fracionária.…”

“…• Costa Lopes (2022) desenvolve uma técnica de previsão associando os parâmetros multifractais ao modelo de redes neurais em séries da criptomoeda ethereum com frequência intra-diária;…”

“…Impulsionados por Mantegna e Stanley (1996) vários autores aderiram ao método e identificaram o comportamento multifractal em diversos tipos de séries temporais de diversos ramos da ciência. Abaixo são listados alguns exemplos desses trabalhos aplicados ao mercado financeiro: • Para o mercado de ações: Mantegna e Stanley (1996); Norouzzadeh e Jafari (2005); Zunino et al (2008); Su, Wang e Huang (2010); Wang, Liu e Gu (2009); Zunino et al (2009); Cajuero et al (2009); Czarnecki e Grech (2010); Dutta (2010); Maganini, Zhang et al (2015); Dutta, Ghosh e Chatterjee (2016); Grech (2016); Benbachir e Alaoui (2011); Maganini (2017); Maganini, Da Silva Filho e Lima (2018) e Maganini et al (2022); • Para o mercado de criptomoedas: Da Silva Filho, Maganini e Almeida (2018); Cheng, Liu e Zhu (2019); Telli e Chen (2020) e Costa Lopes (2022); • Preço de commodities: Matia, Ashkenazy e Stanley (2003); Matias, Silva e Vieira (2007) e Memon, Yao e Naved (2022); • Preços futuros de créditos de carbono: Cao e Xu (2016); • Preço do ouro: Ivanova e Ausloos (1999); Bolgorian e Gharli (2011); Ghosh, Dutta e Samanta (2012); Oh et al (2012) e Dutta, Ghosh e Chatterjee (2016); • Taxa de câmbio: Vandewalle e Ausloos (1998); Schmit, Schertzer e Lovejoy (1999); Ausloos (2000); Baviera et al (2001); Muniandy, Lim e Murugan (2001); Xu e Gençay (2003); Norouzzadeh e Rahmani (2006); Oh, Kim e Eom (2007); Souza, Tabak e Cajueiro (2008); Wang, Wu e Pan (2011); Abounoori, Shahrazi e Rasekhi (2012); Stosic, Silva e Stosic (2012) e Lux, Morales-Arias e Sattarhoff (2014); • Fluxo de tráfego: Feng et al (2018) em séries de fluxo de tráfego de rodovias e Zang et al (2019) em series de fluxo de tráfego áreo.• Associaram multifractalidade a volatilidade e técnicas de previsão:Maganini (2017) que desenvolve uma técnica de previsão utilizando os parâmetros multifractais em séries de ações do mercado brasileiro com frequência intra-diária; Da Silva Filho, Maganini e Almeida (2018): os autores evidenciam a característica multifractal na série de bitcoins de frequência intradiária, além de identificarem a correlação entre multifractalidade e volatilidade da série; Ramirez, Rodriguez e Valdez (2018) estudam a correlação entre a multifractalidade e a tendência dos preços do mercado de bitcoins em frequência diária e horária; Wang e Liu (2020) associam os parâmetros multifractais com a previsibilidade de ações do mercado chinês no período intra-diário, utilizando métodos de redes neurais; Telli e Chen (2020) investigam a natureza multifractal do retorno e da volatilidade das series diárias de bitcoin e ouro ao longo de períodos amostrais completos e períodos subamostrais;Costa Lopes (2022) desenvolve uma técnica de previsão associando os parâmetros multifractais ao modelo de redes neurais em séries da criptomoedas ethereum com frequência intra-diária; Yin e Wang(2022) estudam as características não lineares multifractais e caóticas da volatilidade do bitcoin no período diário, para a melhora da previsibilidade utilizando redes neurais; Cho e Lee(2022) desenvolvem um novo modelo de previsão associando a relação entre fractalidade e volatilidade modelos de previsão por redes neurais, na série do índice S&P500; e Kakinaka e Umeno (2022) investigam a estrutura de dependência entre multifractalidade e volatilidade em seis criptomoedas representativas de frequência intra-diária. Muitos estudos também têm investigado a eficiência do mercado durante crises financeiras usando o método MF-DFA.…”