ANÁLISE E PREVISÃO DO PREÇO DO ETHEREUM UTILIZANDO REDES NEURAIS LSTM

Resumo

Este artigo apresenta uma análise da aplicabilidade de redes neurais recorrentes do tipo Long Short-Term Memory (LSTM) na previsão da direção do preço da criptomoeda Ethereum (ETH), com base em dados históricos de fechamento diário entre 2017 e 2025. O objetivo principal é investigar se modelos LSTM podem auxiliar investidores na tomada de decisão, antecipando se o preço do ativo irá subir ou cair no dia seguinte. A metodologia envolve o treinamento de modelos com dados normalizados, utilizando divisão temporal de 90% para treinamento, 5% para teste e 5% para validação. Foram realizados 27 experimentos variando a arquitetura da rede (camadas, neurônios e épocas) e aplicadas métricas de avaliação de acurácia direcional e lucro acumulado em uma estratégia Long/Short simulada. Os resultados foram comparados com a estratégia Buy and Hold. A melhor configuração identificada (RNA 16) obteve acurácia de 53,03%, enquanto o maior lucro na validação foi alcançado pela RNA 26, com 28,65%. Em contraste, a estratégia Buy and Hold gerou um prejuízo acumulado de -18,51%. Embora algumas simulações tenham mostrado lucros em determinados cenários, os modelos avaliados neste estudo não apresentaram acurácia significativamente superior ao acaso. Portanto, os resultados não são suficientes para afirmar que a abordagem LSTM testada seja eficaz na previsão da direção do preço do Ethereum, sendo necessário aprofundar a investigação com outras configurações e abordagens complementares.