• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Dissertação de Mestrado
DOI
https://doi.org/10.11606/D.55.2020.tde-04022020-121437
Documento
Autor
Nome completo
Claudio Vinicius Gonçalves
E-mail
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Carlos, 2019
Orientador
Banca examinadora
Louzada Neto, Francisco (Presidente)
Andrade Filho, Marinho Gomes de
Silva, Paulo Henrique Ferreira da
Souza, Anderson Luiz Ara
Título em português
SVM aplicado a criptomoeda Etherium
Palavras-chave em português
Criptomoedas
Etherium
Máquinas de vetor de suporte
SVR
Resumo em português
A introdução da Blockchain e das criptomoedas trouxeram novas formas de realizar pagamentos, contratos, etc. Além desses benefícios, as criptomoedas também e tornaram opções de investimento para investidores. Esses investimentos apresentam grande risco, pois tem uma variabilidade muito alta, por exemplo a ETH, desde a sua criação, apresenta um crescimento de 13:000% desde 2014, onde foi oferta inicial da moeda. Esse projeto propõe a criação de modelos estatísticos clássicos e de aprendizado de máquina, para prever uma hora a frente o valor da criptomoeda. Para isso, inicialmente realizamos uma simulação com uma série de Lorenz, onde ajustamos um modelo ARMA e uma maquina de vetores de suporte com o Kernel Laplaciano para verificar a eficiência das técnicas. Iniciamos criando a série de Lorenz, ajustando os modelos e realizando previsões um passo a frente 24 vezes. Para verificarmos a qualidade do nosso modelo, comparamos esses valores preditos com os valores reais da série, e usamos como indicadores de qualidade as medidas RMSE e MAE, que na simulação resultaram para o modelo ARMA(2,3) RMSE = 2,23 e MAE = 1,85 e para o SVR RMSE = 3,66 e MAE = 2,5. Utilizando os valores preditos por ambos os modelos ajustados, buscamos melhorar a precisão combinando os modelos, obtendo assim para o SVR-ARMA RMSE = 2,23 e MAE = 1,77, melhorando assim a qualidade preditiva dos modelos. Seguimos aplicando para os dados reais as técnicas, inicialmente aplicando uma transformação log-retornos para a série de dados, e obtemos para o modelo ARMA(2,3) RMSE = 2,23 e MAE = 1,85 e para o SVR RMSE = 3,15 e MAE = 2,4, e quando combinamos os modelos temos o SVR-ARMA RMSE = 2,08 e MAE = 1, 75.
Título em inglês
SVM applied to criptocurrency Etherium
Palavras-chave em inglês
Criptocurrency
Etherium
Support Vector Machine
SVR
Resumo em inglês
The introduction of Blockchain and criptocurrency boght new ways to make payments, contracts, etc. Besides these benefits, the criptocoins became an investment option for investors. These investments present great risk, due to high variability, for example ETH, since its creation, its growth reached 13:000% since 2014, when it was its Initial Coin Offer. This project proposes the creation of classical statistical models and machine learning, to predict one hour ahead the value of the criptocurrency. For that purpose, initialy we simulate a Lorez series, and fit a ARMA model and a SVM with a Laplacian Kernel to verify the tecnique eficiency. We create the simulated Lorez time series, adjust the model and calculate predictions one step ahead 24 times. For model quality we compare these prediicted values with the real values of the series, and use as quality indicators RMSE and MAE, that in the simulation reulted for the ARMA(2,3) model a RMSE = 2,23 e MAE = 1,85 and the SVR RMSE = 3,66 and MAE = 2,5. Using both fitted models predicted values, to improve the prediction, we combine the models, resulting in an SVRARMA with RMSE = 2,23 and MAE = 1,77, improving the predictive quality of the models. WE follow applying the tecniques in the real data, firstly applying a log-returns transformation in the data, and adjusting the model ARMA(2,3) with RMSE = 2,23 and MAE = 1,85 and SVR with RMSE = 3,15 and MAE = 2,4, with the combine model SVR-ARMA with RMSE = 2,08 and MAE = 1, 75.
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2020-02-04
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2021. Todos os direitos reservados.