Time Series Forecasting of Cryptocurrencies

O objetivo desse projeto é fazer prevsões os top 20 criptoativos em captalização de mercado. Sendo eles ADA, AVAX, BCH, BNB, BTC, DAI, DOGE, DOT, ETH, ICP, LINK, LTC, MATIC, SHIB, SOL, TON, TRX, USDC, USDT, XRP. Ou seja, serão vinte modelos diferentes. Os dados utilizados foram coletados no Coinmarketcap.

O projeto foi dividido em três etapas: master, functions e config. O config é responsável por determinar todos os parâmetros e variáveis que serão usadas no pipeline, functions é onde todas as funções que serão usadas no pipeline estão, como ingestão de dados, processamento de dados, armazenamento, modelagem e previsão. O master é responsável por executar todo o pipeline.

Para acessar a aplicação, basta executar a demo.py, e selecionar quais ativos e suas previsões quer visualizar.

Resultados

Para validação, foram utilizados os ultimos oito pontos. A escolha do tamanho da amostra de validação pode ser feita utilizando um número fixo ou porcentagem, e ambas as abordagens possuem pontos positivos e negativos. Considerando a facilidade de implementação para a primeira versão e relevência temporal dos ultimos pontos (os dados de teste fornecem informações atualizadas, refletindo melhor situações recentes ou tendências emergentes) para previsões de curto prazo (6 pontos), além de que todos os eventos da série ocorrem na mesma valocidade, na mesma granularidade temporal e também porquê 8 ≃ 25% da série de menor tamanho, foi escolhido a estratégia de escolher um número de pontos. Para partição dos dados para validação foi utilizado as abordagens hold-out e também cross-validation, e as métricas escolhidas foram o mape e o mae.

MAPE, ou Erro Percentual Absoluto Médio (em inglês, Mean Absolute Percentage Error), é uma métrica de desempenho comumente usada para avaliar a precisão de um modelo de previsão em relação aos valores reais. É especialmente útil em contextos de previsão de séries temporais, como previsões financeiras, de vendas ou de demanda. A fórmula do MAPE é dada por:

$MAPE = \frac{1}{n} \sum_{i=1}^{n} \left| \frac{Y_i - \hat{Y}_i}{Y_i} \right| \times 100$

Onde:

• $(n)$ é o número total de observações.
• $(Y_i)$ são os valores reais.
• $(\hat{Y}_i)$ são os valores previstos.

O MAPE calcula a média dos percentuais absolutos de erro para cada observação. Ele expressa o erro como uma porcentagem da magnitude real dos valores, proporcionando uma medida relativa de precisão. Quanto menor o valor do MAPE, melhor é o desempenho do modelo de previsão.

No contexto financeiro ou econômico, o MAPE é frequentemente usado para avaliar a precisão das previsões de séries temporais, como previsões de preços de ações ou taxas de câmbio. No entanto, é importante notar que o MAPE pode ter algumas limitações, como a sensibilidade a valores zero nos dados reais, e é sempre aconselhável considerar várias métricas de desempenho ao avaliar um modelo, como o MAE.

O Erro Médio Absoluto (MAE, do inglês Mean Absolute Error) é uma métrica que quantifica a média das diferenças absolutas entre os valores observados (reais) e os valores previstos em um modelo. O MAE representa a média das diferenças absolutas entre as previsões e os valores reais. Ou seja, valores mais baixos de MAE indicam que, em média, as previsões estão mais próximas dos valores reais. Um MAE próximo de zero sugere uma boa adequação do modelo, pois significa que as previsões estão próximas dos valores reais em média. Valores mais altos de MAE indicam que, em média, as previsões estão mais distantes dos valores reais.

O MAE é expresso na mesma unidade dos dados originais, tornando-o facilmente interpretável em termos práticos. Por exemplo, se estiver medindo vendas em dólares, um MAE de $10 significa que, em média, as previsões têm um erro absoluto de $10 em relação aos valores reais. O MAE é menos sensível a outliers em comparação com o RMSE (Erro Quadrático Médio), pois não envolve a elevação ao quadrado dos erros (por isso não foi utilizado). Ele é útil para comparar o desempenho relativo de diferentes modelos, especialmente quando os valores reais variam em grande amplitude, como é o caso. Além disso MAE é uma métrica simples e fácil de interpretar, tornando-a uma escolha popular em muitas aplicações.

Tabela de validação

ticker	mape_sarima	mape_sarimax	mape_cv	mae_sarima	mae_sarimax	mae_cv
DAI	5.670075	14.467533	2.650308	0.277119	0.708677	0.129174
USDT	7.696967	22.603099	2.732995	0.376337	1.108861	0.133417
USDC	7.963068	1.433468	3.276416	0.389791	0.069735	0.160348
TRX	14.044310	41.930238	4.292657	0.069533	0.195964	0.019844
BTC	14.450785	43.185606	7.920819	22800.108956	74115.576692	12718.244257
TON	18.058879	215.112722	25.671161	1.671489	19.457761	2.625065
DOGE	19.416090	136.267667	20.647783	0.075935	0.489655	0.076801
XRP	22.325071	60.150914	15.274238	0.648774	1.715588	0.436744
LINK	29.873210	45.009988	34.926032	15.905089	26.892435	15.065795
ADA	34.364591	128.963710	24.024396	0.619184	2.468409	0.442270
BNB	38.154121	67.243913	14.146723	435.891078	786.786060	175.191055
ETH	42.015750	39.859773	22.332538	3947.682168	3923.110340	2067.259047
LTC	43.429173	60.092082	21.143683	153.044773	207.377738	79.377889
MATIC	46.461459	236.894380	13.780892	1.546034	8.260224	0.454354
BCH	70.337658	114.963527	28.308773	849.193294	1373.306185	362.082779
AVAX	158.885801	451.124073	87.616703	120.260318	391.126210	64.356766
SOL	232.009651	57.570096	89.697974	387.222808	96.381003	125.073977
DOT	332.528335	246.659618	70.276301	86.421786	57.321539	18.688865
ICP	421.566771	6922.395599	123.337284	100.603974	1672.767705	25.617233

• Ordenado pelo mape_sarima
• Apesar de termos valores altos de mape de 30% há ≃422%, é importante notar que a variação percentual entre uma mesma variação absoluta entre valores menores e maiores vai ser maior para o valor menor, como é o caso do preço do ICP em relação ao BTC. Note que, o Mean Absolute Error (MAE) é mínimo, sendo R$100 para o modelo arima e R$25 utilizando validação cruzada. É importante avaliar o desempenho de modelos sob várias métricas.

Instruções de Uso

1. Clone este repositório em seu ambiente de desenvolvimento local. No Linux, abra o terminal e use o comando git clone https://github.com/k3ybladewielder/crypto_forecast.git. Windows, utilize o Git Bash ou o GitHub Desktop para clonar o repositório.
2. Crie seu ambiente virtual com o comando python3 -m venv env no Linux ou python -m venv env no Windows.
3. Inicialize seu ambiente virtual com o comand source env/bin/activate. No Windows execute .\env\Scripts\activate.
4. Instale as bibliotecas necessárias do pip install -r requirements.txt
5. Atualize as tabelas com os históricos, salvos no path raw_data. Certifique-se de ter os dados no diretório especificado e prossiga para o próximo passo.
6. Execute a aplicação para gerar as previsoes. No linux execute python3 master.py, no Windows python master.py.
7. Execute a demo e visualize a aplicação. Exemplo: python3 demo.py. No Windows execute python demo.py. Abra o link retornado pelo comando para acessar a aplicação no navegador.

Roadmap

• Coleta de dados via API
• Previsão Univariada
• Previsão Multivariada
• Previsão com modelos de Bagging e Boosting
• Seleção dinâmica do melhor modelo (uni, multi, bagging, boosting) para cada ativo.
• Validação
• Validação automatizada ao retreinar os modelos
• Estruturação de previsões
• Estruturação do código
• Modularização
• Demo
• Deploy

Contribuições

Se você desenha contribuir com esse projeto com melhorias ou sugestões, sinta-se a vontade para abrir um pull request.