UM ESQUEMA DE PREVISÃO DE

PREÇOS DE CRIPTOMOEDAS
BASEADO EM DEEP LEARNING
PARA INSTITUIÇÕES
FINANCEIRAS
OBJETIVOS

• Novo modelo híbrido para previsão de preço de criptomoedas

• Avaliar o desempenho do modelo proposto
• Estudo sobre diferentes esquemas existentes
REDE NEURAL CONCORRENTE(RNN)

• Memória sequencial
• Previsão de séries temporais
• Retro propagação e arquitetura cíclica
• Problemas: - Difícil treinar
- Convergência demora
- Gradiente de fuga
MEMÓRIA DE CURTO PRAZO LONGA
(LSTM) & UNIDADE RECORRENTE FECHADA (GRU)

• Dependências de longo prazo

• Estrutura semelhante a RNN
• LSTM: - Quatro camadas
• - Portas de entrada, esquecimento e saída
• GRU: - Porta de atualização
- Porta de reinicialização
METODOLOGIA
MODELO HÍBRIDO PROPOSTO
 RESULTADOS

Clique para adicionar texto

RMSE modelo proposto: 2,3 RMSE modelo proposto: 3,3

RMSE modelo LSTM: 13,9 RMSE modelo LSTM: 15,2
 RESULTADOS

Clique para adicionar texto

RMSE modelo proposto: 2,0 RMSE modelo proposto: 5,0

RMSE modelo LSTM: 5,2 RMSE modelo LSTM: 5,5
 RESULTADOS

Clique para adicionar texto

RMSE modelo proposto: 4,5 RMSE modelo proposto: 20,2

RMSE modelo LSTM: 16,9 RMSE modelo LSTM: 22.9
RESULTADOS
QUESTÕES EM ABERTO E DESAFIOS

• Vasta disponibilidade de diferentes criptomoedas

• Alta volatilidade dos preços das criptomoedas
• Inovações tecnológicas
• Percepção e aceitação do público
• Aspectos e questões legais
REFERÊNCIAS

• Mohil Maheshkumar Patel a , Sudeep Tanwar a , Rajesh Gupta a , Neeraj

Kumar (2020) “A Deep Learning-based Cryptocurrency Price Prediction
Scheme for Financial Institutions”, In: Journal of Information Security and
Applications, Elsevier Ltd.