Skip to main content

Introdução

Este projeto foi desenvolvido como parte das Atividades Ponderadas do Módulo, onde o objetivo era aplicar técnicas de análise de dados e machine learning em um cenário real para apoiar decisões de investimentos em criptoativos. Trabalhei focado no par ETH-USD, desenvolvendo um sistema que oferece previsões e insights baseados no histórico de preços, ajudando os usuários a tomar decisões mais embasadas sobre a compra, venda ou manutenção dos ativos.

Contexto

A proposta da atividade envolvia construir um sistema de auxílio à decisão, analisando o comportamento histórico de um ou dois criptoativos. Escolhi o Ethereum (ETH) como criptoativo de referência e desenvolvi um modelo preditivo utilizando redes neurais recorrentes (LSTM e GRU). O modelo foi treinado para prever o preço futuro com base em um período de tempo definido pelo usuário, proporcionando uma visão clara do que pode acontecer nos próximos dias.

Funcionalidades Principais

O sistema que desenvolvi conta com as seguintes funcionalidades:

  • Previsão do preço futuro: A partir do número de dias informado pelo usuário, o modelo gera uma previsão do preço futuro do criptoativo ETH-USD. A ideia é oferecer uma ferramenta útil para investidores que podem usar essas previsões para planejar melhor suas estratégias de compra e venda.

  • Sugestão de ação: Com base na previsão, o sistema recomenda se o usuário deve comprar, vender ou manter o criptoativo, oferecendo insights práticos.

  • Monitoramento em tempo real: Criei um dashboard interativo que exibe os preços atuais do ETH-USD em tempo real, permitindo que o usuário compare o preço atual com a previsão gerada.

  • Sistema de logs: Todas as ações realizadas no sistema são registradas, garantindo um histórico detalhado.

Tecnologias Utilizadas

O projeto foi desenvolvido principalmente em Python, usando diversas bibliotecas de machine learning para implementar os modelos LSTM e GRU. Manipulei os dados com Pandas e visualizei os resultados através de um dashboard interativo. Todos os dados foram armazenados em um banco de dados PostgreSQL, e utilizei Docker para garantir escalabilidade e flexibilidade.

Algumas das tecnologias e frameworks principais que utilizei incluem:

  • TensorFlow/Keras para criação e treinamento dos modelos de redes neurais.
  • Pandas e NumPy para manipulação e exploração dos dados.
  • Matplotlib e Plotly para gerar visualizações e gráficos interativos.
  • SQLAlchemy para a interação com o banco de dados PostgreSQL.
  • Docker para facilitar o ambiente de desenvolvimento e a implantação do projeto.

Metodologia de Desenvolvimento

Segui uma abordagem em etapas, começando pela exploração dos dados para entender os padrões históricos e selecionar as variáveis mais relevantes para os modelos preditivos. O modelo foi treinado com dados históricos do ETH-USD e passou por vários testes e ajustes para garantir a maior precisão possível nas previsões.

Conclusão

Este projeto me permitiu aplicar na prática machine learning e análise de dados para resolver problemas reais, como a previsão de preços de criptoativos. Com uma interface simples e intuitiva, logs detalhados e previsões precisas, o sistema oferece uma solução robusta para investidores que buscam apoio analítico em suas estratégias. A arquitetura modular, o uso de tecnologias modernas como Docker e PostgreSQL e o histórico do projeto garantem que ele seja escalável e flexível para futuras melhorias.