Trabalho Final Módulo I (IFG) - Especialização em Inteligência Artificial Aplicada
Professores: Dr. Eduardo Noronha, Me. Otávio Calaça, Dr. Eder Brito
Alunos: Fabio Paula, Raony Nogueira, Rafael Fideles, Marcelo Carvalho
Este projeto desenvolve um sistema completo de previsão de preços de criptomoedas utilizando redes neurais e modelos de regressão. O objetivo é analisar dados históricos, construir modelos preditivos, realizar comparações estatísticas e avaliar a rentabilidade de estratégias de investimento automatizadas.
- Download e carregamento de datasets históricos do CryptoDataDownload
- Treinamento de modelos de regressão como:
- MLPRegressor (rede neural)
- Regressão Linear
- Regressão Polinomial (graus 2 a 10)
- Validação cruzada K-Fold
- Cálculo e simulação de lucros com reinvestimento
- Análises estatísticas completas com ANOVA, testes de hipótese e gráficos
- Comparação entre criptomoedas e entre modelos
- CLI configurável com
argparse - Testes automatizados com
pytest+ cobertura compytest-cov - Gráficos salvos em alta resolução (
figures/, mínimo 150dpi)
data-crypto-ai/
├── data # Arquivos CSV de criptomoedas
│ └── Poloniex_BTCUSD_d.csv
├── figures # Gráficos salvos em 150 dpi
│ ├── closing_price_boxplots.png
│ ├── closing_price_histograms.png
│ ├── crypto_analysis_comparison_BTC_25-07-14_04.31.31.png
│ ├── daily_volatility_BTC.png
│ └── historical_closing_prices.png
├── pytest.ini
├── README.md # Este arquivo com descrição do projeto
├── .gitignore # Arquivos e pastas ignorados pelo Git
├── requirements.txt # Dependências do projeto
├── setup.py
├── src
│ ├── main.py # Script principal com interface CLI
│ ├── models # Modelos treinados e serializados
│ │ └── model.py
│ ├── trainer # Treinamento e avaliação de modelos
│ │ └── trainer.py
│ ├── utils # Funções utilitárias e métricas
│ │ ├── data_loader.py # Módulo de carregamento e download de dados
│ │ ├── features.py # Extração e engenharia de features
│ │ ├── logger.py
│ │ ├── perform.py
│ │ └── statistical.py
│ └── views
│ ├── graph.py
│ └── table.py
├── tables # Tabelas de resultados e estatísticas
│ ├── Coef.Variation.csv
│ ├── Dispersion measures for - BTC.csv
│ └── Summary statistics for - BTC.csv
└── tests # Testes automatizados
├── test_data_loader.py
├── test_features.py
├── test_main.py
├── test_model.py
├── test_table.py
└── test_trainer.py
O projeto organiza os resultados e os dados em três pastas principais, com o objetivo de manter os arquivos bem separados e acessíveis conforme o tipo de informação:
Esta pasta contém todos os gráficos gerados durante as análises estatísticas e modelagens.
- Os gráficos representam visualmente os desempenhos dos modelos aplicados, retornos das criptomoedas, comparações estatísticas, entre outros.
- Os arquivos são salvos em formatos como
.pngou.html(no caso de gráficos interativos). - Cada gráfico é nomeado com base na moeda e no tipo de análise realizada.
- Cada gráfico possui uma resolução base de 150 dpi
Esta pasta armazena os datasets brutos e processados, utilizados durante as análises e modelagens.
- Os arquivos estão em formato
.csv, com preços históricos de criptomoedas obtidos do cryptodatadownload.com. - Inclui dados de múltiplas criptomoedas, podendo conter informações como data, preço de fechamento, volume, entre outros.
Nesta pasta ficam os resultados numéricos das análises, salvos em arquivos .csv.
- Cada arquivo representa uma análise estatística específica (ex: teste t, ANOVA, métricas de validação dos modelos).
- Os arquivos são segregados por tipo de análise e, quando aplicável, por criptomoeda.
- Facilitam a inspeção, comparação e reuso dos resultados para relatórios ou apresentações.
python main.py [--param valor] ...
| Parâmetro | Tipo | Padrão | Descrição |
|---|---|---|---|
| --dwn-not-data-set | bool | False | Se True, baixa o dataset mais recente do cryptodatadownload.com |
| --investment | float | 1000.0 | Valor inicial do investimento em USD |
| --poly_degree | int | 2 | Grau do polinômio (se model=poly) |
| --show_anova | bool | False | Se True, executa análise ANOVA entre criptomoedas |
| --crypto_list_for_analysis | list | ['BTC', 'ETH', 'LTC', 'XRP', 'DOGE'] | Criptomoedas para análise estatística comparativa |
| --crypto | str | BTC (obrigatório) | Sigla da criptomoeda para análise (ex: BTC) |
| --model | str | none | Tipo de modelo: MLPRegressor, poly, linear, etc. |
| --kfolds | int | 5 | Número de Folds para validação cruzada |
| --window_size | int | 7 | Tamanho da janela temporal |
| --statistical | bool | False | Se True, analisa 10 moedas no diretório data gerando gráficos e CSVs |
| --interative_graph | bool | False | Se True, exibe gráfico interativo (não será salvo) |
| --analyse-cryptos | bool | False | Se True, executa análise de 10 criptomoedas predefinidas |
Caso deseje executar o projeto localmente, siga os passos fornecidos.
- Python: versão 3.8 até 3.13.3
- pip instalado
- git para clonar o repositório
git clone https://github.com/Fabioaugustmp/data-crypto-ai
cd data-crypto-aiPara sistemas Unix/macOS:
python3 -m venv venv
source venv/bin/activatePara sistemas Windows:
python -m venv venv
.
env\Scripts ctivatepip install -r requirements.txt- 4.1 Modelo MLP
python main.py --crypto BTC --model mlp --investment 1000 --kfolds 5- 4.2 Todos os Modelos
python main.py --crypto BTC --investment 1000 --kfolds 5python main.py --show_anova True --crypto_list_for_analysis BTC ETH LTC XRP DOGEpytest --cov=.
- mlp: Rede Neural Multicamadas com MLPRegressor
- linear: Regressão Linear
- poly: Regressão Polinomial (grau ajustável com --poly_degree)
- Medidas descritivas e de dispersão
- Gráficos de linha, boxplots e histogramas
- Simulação de lucro com reinvestimento diário
- Comparação entre modelos via:
- Diagrama de dispersão
- Correlação
- Equação do regressor
- Erro padrão
- Gráfico de lucro acumulado
- Testes de hipótese (nível de significância 5%)
- ANOVA + testes post hoc entre moedas e agrupamentos
- black, ruff, flake8 para linting e formatação
- Modularização (data_load.py, models.py, etc.)
- logging e type hints aplicados
- Gráficos salvos automaticamente em figures/
- Testes automatizados com pytest-cov
Este projeto foi desenvolvido como trabalho final do Módulo I da pós-graduação em Inteligência Artificial Aplicada, e demonstra o uso de IA em aplicações financeiras, combinando Data Science, Machine Learning e Estatística.
Fabio Paula - fabioaugustomarquespaula@gmail.com
Raony Nascimento - nascimento.raony@gmail.com
Rafael Fideles - rafaelfideles@live.com
Marcelo Carvalho - mcarvalho.eng@gmail.com@gmail.com