APLICAÇÃO DE MODELOS DE SÉRIES TEMPORAIS E MACHINE LEARNING PARA A PREVISÃO DO VALOR DE FECHAMENTO DO BITCOIN
DOI:
https://doi.org/10.12957/cadest.2025.95070Palavras-chave:
Bitcoin, Previsão, LSTMResumo
Este estudo tem como objetivo avaliar diferentes métodos estatísticos para estimar a previsão do preço de fechamento do Bitcoin um mês à frente. Para evitar quaisquer efeitos que a pandemia de COVID-19 possa ter gerado na série temporal, o período analisado foi entre setembro de 2022 e setembro de 2025, sendo o conjunto de teste o mês de setembro de 2025. O estudo foi realizado usando a linguagem de programação Python em um notebook do Google Colaboratory, e a base de dados foi obtida a partir do uso da biblioteca “yfinance”. Três modelos foram aplicados e, com base nas métricas de previsão, constatou-se que o modelo LSTM apresentou a melhor performance.
Downloads
Referências
ALVES, M. S.. Aplicação e comparação de modelos de heterocedasticidade condicional: um estudo utilizando o Bitcoin. 2023. 64 f. Monografia (Bacharelado em Ciências Econômicas) – Centro Sócio Econômico, Universidade Federal de Santa Catarina, Florianópolis, 2023.
BHATTACHARJEE, A. Kruskal-Wallis Test: a powerful tool for detecting seasonality in time series data using Python. Medium, [S. l.], 2022. Disponível em: https://medium.com/@avijit.bhattacharjee1996/kruskal-wallis-test-a-powerful-tool-for-detecting-seasonality-in-time-series-data-using-python-d827ef23d29e. Acesso em: 6 out. 2025.
BOX, G. E.; JENKINS, G. M.; REINSEL, G. C.; LJUNG, G. M. Time series analysis: forecasting and control. 5. ed. Hoboken: John Wiley & Sons, 2015.
BRAGA, R V. Redes Neurais LSTM e Google Trends aplicados para previsão de Séries Temporais do Mercado Financeiro no contexto de Criptomoedas. 2023. 64 f. Monografia (Bacharelado em Sistemas de Informação) – Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2023.
CORDEIRO, D. F. S.; MÜLLER, F. M. Previsão de Risco para Bitcoin e Ethereum: Uma Comparação Usando Função Score. [S. l.], fev. 2024.
CORDEIRO, J. J. R.; ARAÚJO, A. H. Magalhães de; AVELINO, Guilherme A. DataCoin: Dataset Sazonal para Estratégias Quantitativas com Bitcoin. In: VII DATASET SHOWCASE WORKSHOP (DSW), 2025, Fortaleza. Anais [...]. Fortaleza: [s. n.], 2025. p. 43-45.
CRYPTO.COM. In-depth article: the history of money-from-fiat-to-crypto-currency. [S. l.], 2022. Disponível em: https://crypto.com/pt-br/university/in-depth-article-the-history-of-moneyfrom-fiat-to-crypto-currency. Acesso em: 8 out. 2025.
DUARTE, J. O teste de Mann-Kendall. Medium, [S. l.], 2021. Disponível em: https://medium.com/@duarte.jr105/o-teste-de-mann-kendall-28ff71e731c6. Acesso em: 8 out. 2025.
INFOMONEY. Guia sobre Bitcoin: conheça a origem da primeira criptomoeda do mundo. [S. l.], 2022. Disponível em: https://www.infomoney.com.br/guias/o-que-e-bitcoin/#:~:text=e%20da%20procura.-,Quando%20surgiu%20o%20Bitcoin,de%20pessoas%20interessadas%20em%20criptografia. Acesso em: 6 nov. 2025.
JUNIOR, J. Redes Neurais Recorrentes LSTM. Medium, [S. l.], 2021. Disponível em: https://medium.com/@web2ajax/redes-neurais-recorrentes-lstm-b90b720dc3f6. Acesso em: 10 out. 2025.
LEITE, R. S. M. M. Predição da cotação Real/Bitcoin usando a rede neural Long Short Term Memory (LSTM). 2023. 64 f. Monografia (Bacharelado em Ciência da Computação) – Instituto de Biotecnologia, Universidade Federal de Catalão, Catalão, 2023.
LEOTTI, V. B.; COSTER, R.; RIBOLDI, J. Normalidade de variáveis: métodos de verificação e comparação de alguns testes não paramétricos por simulação. Revista HCPA, Porto Alegre, v. 32, n. 2, p. 227–234, 2012. Disponível em: https://lume.ufrgs.br/handle/10183/158102. Acesso em: 8 out. 2025.
MARIO FILHO. As Métricas Mais Populares para Avaliar Modelos de Machine Learning. [S. l.], 2018. Disponível em: https://mariofilho.com/as-metricas-mais-populares-para-avaliar-modelos-de-machine-learning/. Acesso em: 12 out. 2025.
MARQUES, P. Estacionariedade em séries temporais: conceitos e aplicação em Python. Análise Macro, [S. l.], 2022. Disponível em: https://analisemacro.com.br/data-science/python/estacionariedade_series_temporais. Acesso em: 11 out. 2025.
MCCLENAGHAN, Elliot. The Kruskal-Wallis Test. Technology Networks, [S. l.], 2024. Disponível em: https://www.technologynetworks.com/informatics/articles/the-kruskal-wallis-test-370025. Acesso em: 6 nov. 2025.
META PLATFORMS, INC. Prophet: Quick Start. [S. l.], 2024. Disponível em: https://facebook.github.io/prophet/docs/quick_start.html. Acesso em: 6 out. 2025.
MOONPAY. O Bitcoin é "ouro digital"? O valor do Bitcoin. [S. l.], 2025. Disponível em: https://www.moonpay.com/pt-br/learn/bitcoin/bitcoin-digital-gold. Acesso em: 6 out. 2025.
PEREIRA, J. V. Aplicando redes neurais na predição de valores da moeda Bitcoin. 2022. Monografia (Bacharelado em Sistemas de Informação) – Faculdade de Computação, Universidade Federal de Uberlândia, Monte Carmelo, 2022.
POLI, P. C. R. Previsibilidade da Direção do Preço Intradiário do Bitcoin com Modelos de Random Forest. 2023. Dissertação (Mestrado em Ciências) – Faculdade de Economia, Administração, Contabilidade e Atuária, Universidade de São Paulo, São Paulo, 2023.
RANAROUSSI, R. YFinance Documentation. [S. l.], 2019. Disponível em: https://ranaroussi.github.io/yfinance/#yfinance-documentation. Acesso em: 6 nov. 2025.
SANTOS, C. P. Utilização de redes neurais artificiais para a predição do preço do Bitcoin através de séries temporais. 2021. Monografia (Bacharelado em Sistemas de Informação) – Faculdade de Tecnologia, Universidade Estadual de Campinas, Limeira, 2021.
SCIPY. SciPy documentation. [S. l.], 2025. Disponível em: https://docs.scipy.org/doc/scipy/. Acesso em: 13 out. 2025.
SEABOLD, S.; PERKTOLD, J. statsmodels: Econometric and Statistical Modeling with Python. In: PROCEEDINGS OF THE 9TH PYTHON IN SCIENCE CONFERENCE, 2010, [S. l.]. [S. l.: s. n.], 2010. Disponível em: http://conference.scipy.org/proceedings/scipy2010/pdfs/seabold.pdf. Acesso em: 10 out. 2025.
TAYLOR, S. J.; LETHAM, B. Prophet: forecasting at scale. The Journal of Open Source Software, [S. l.], v. 3, n. 27, p. 571, 2018. DOI: 10.21105/joss.01556. Disponível em: https://joss.theoj.org/papers/10.21105/joss.01556. Acesso em: 6 out. 2025.
TORMIN, W. P. Previsão de retornos do Bitcoin: uma abordagem comparativa entre modelos ARIMA e LSTM integrados com dados de tendências do Google. 2024. Monografia (Bacharelado em Economia) – Instituto Brasileiro de Ensino, Desenvolvimento e Pesquisa (IDP), Brasília, 2024.
VASCONCELLOS, M. A. et al. Séries temporais e previsão de variáveis econômicas: um estudo empírico. Revista Econômica do Nordeste, Fortaleza, v. 53, n. 2, p. 9–25, 2022. Disponível em: https://www.scielo.br/j/ecos/a/TWMCNj944HvrSbbsn88jnHD/?format=html&lang=pt. Acesso em: 11 out. 2025.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Igor Brito dos Santos, Igor Mello Vieites, Prof. Dr. Marcello Montillo Provenza, Prof. Dr. Jorge Luiz de Jesus Goulart
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Declaramos que, em caso de aceitação do artigo, os autores permanecem com os direitos autorais do artigo, concedendo a revista Cadernos do IME – Série Estatística os direitos de primeira publicação e outros direitos de publicação não exclusivos referentes ao mesmo.
