Análise da correlação entre notícias do mercado financeiro e a volatilidade de criptomoedas utilizando inteligência artificial

Abstract

O mercado de criptomoedas caracteriza-se por elevada volatilidade, influenciada por eventos globais e notícias do mercado financeiro. Este estudo tem como objetivo de- senvolver um modelo de análise baseado em técnicas de Processamento de Lingua- gem Natural (PLN) e aprendizado de máquina para identificar padrões em notícias fi- nanceiras e globais que possam sugerir a venda ou manutenção de ativos. O problema central consiste na dificuldade de prever, em tempo hábil, a influência dessas informa- ções externas sobre a precificação de criptomoedas, exigindo ferramentas especiali- zadas para análise em mercados dinâmicos e não lineares. A metodologia proposta inclui a utilização de dados históricos de preços e notícias financeiras como insumo para o treinamento de redes neurais Long Short-Term Memory (LSTM), capazes de capturar dependências temporais e contextuais. Foi implementado um sistema com- pleto de coleta e análise de dados que abrange desde a aquisição de séries temporais de preços de Bitcoin e Ethereum até a extração de notícias financeiras relevantes, uti- lizando técnicas de web scraping e APIs especializadas. O processamento textual foi realizado com transformadores pré-treinados como BERT, adaptados para o do- mínio financeiro. Os resultados obtidos demonstram que o modelo LSTM alimentado com dados textuais processados apresenta desempenho superior aos modelos con- vencionais de previsão, como ARIMA e médias móveis, especialmente em períodos de alta volatilidade. Em particular, a análise empírica indica que notícias com polari- dade negativa exercem um impacto de maior magnitude e celeridade sobre os preços de criptomoedas do que notícias positivas. O modelo desenvolvido contribui para a tomada de decisões em cenários de incerteza, oferecendo suporte preditivo com mé- tricas de desempenho consistentes, validando a hipótese de que a incorporação de dados textuais em modelos de séries temporais aprimora a capacidade preditiva no mercado de criptomoedas.