As moedas virtuais (ou criptomoedas) estão se tornando cada vez mais competitivas no mercado mundial, o que
atrai investidores para obter lucros sobre as oscilações deste mercado. Esses investimentos são orientados por um
princípio simples: comprar as moedas quando seu valor de mercado estiver prestes a subir, e vendê-las quando
estiveremprestesaperderovalor. Váriassãoasinformaçõesquepodemauxiliaroinvestidornatentativadeprever
esse movimento oscilatório – entre elas, notícias e comentários da própria comunidade sobre o desempenho da
moeda. Entretanto, lidar com esse volume de informações e julgar qual informação é relevante pode ser um desa o.
O objetivo deste trabalho é desenvolver um modelo de predição do movimento de preços de criptomoedas que
utilize como base a percepção pública da população em relação à essas moedas. Foram realizadas predições tanto
utilizando análise de sentimento de notícias quanto de
tweets. Foram gerados modelos de previsão individuais para cada fonte de dados e um modelo que combina
ambas as fontes. Os resultados obtidos alcançaram MDA de até 75% utilizando XGBoost a partir do modelo
combinado de informações de notícias e tweets, sendo capaz de prever os resultados também em períodos de grandes oscilações.
Virtualcurrencies(orcryptocurrencies)areincreasinglybecomingmorecompetitiveintheglobalmarket,atracting
investors seeking for pro t on the oscillation of this market. These investiments are oriented by a simple principle:
buy the currencies when their market value is about to rise, and sell them when their market value is about
to drop. Several sources of information can be used to support the decision making process – such as news or
comments in social networks on the topic itself. Nonetheless, to deal with the such a huge amount of information
presents itself as a big challenge. The goal of this work is to develop a model that predicts the movement of
cryptocurrencies’ prices based on the public perception about the currencies. Prediction models were derived
from each source of information and from the combination of both sources. Results obtained up to 75% MDA
using the model induced with XGBoost, from the combination of the two sources, being able to predict the results
even during periods of oscilation.
