Análise de sinais e padrões de mercado em criptomoedas utilizando técnicas de machine learning para otimizar estratégia de trading

Abstract

O presente estudo tem como objetivo principal investigar e aplicar técnicas de machine learning para otimizar estratégias de trading no mercado de criptomoedas, com foco específico no Bitcoin e Ethereum. A pesquisa envolve a coleta e análise de dados da corretora Binance utilizando a linguagem de programação Python e bibliotecas como Pandas, NumPy e Scikit-Learn. Os dados coletados abrangem um período de 2018 a 2024, incluindo variáveis como volume de negociação, número de trades e índice de força relativa (RSI). A metodologia adotada inclui a análise de regressão linear múltipla e o algoritmo k-Nearest Neighbors (kNN) para prever preços de fechamento. Os resultados indicam que ambas as técnicas são eficazes, com o kNN apresentando maior precisão preditiva, com um coeficiente de determinação (R²) de 0,95, MSE de 94.174,61 e MAE de 175,84. As variáveis "eth_volume", "eth_num_trades", "RSI25", "btc_volume", "btc_num_trades" e 'sp500_Close' mostraram alta correlação com o preço de fechamento do Ethereum. A pesquisa conclui que a análise detalhada de dados e a aplicação de machine learning podem fornecer insights valiosos e melhorar a precisão das previsões de preços, beneficiando investidores em suas decisões de trading.