|
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. |
