Última alteração: 2022-12-03
Resumo
A descoberta de regras de associação é uma das principais tarefas da mineração de dados. É utilizada para descobrir a relação entre conjuntos de itens que ocorrem simultaneamente. Existem muitos trabalhos de pesquisa sobre a descoberta de regras de associação em muitos campos, por exemplo no mercado de ações. Neste trabalho, porém, o objetivo é aplicar a mineração de regras de associação para criptoativos. É sabido que investir é assumir riscos. Investidores, portanto, são vencedores ou perdedores. Para ajudar os investidores a reduzir os riscos de perda, este artigo foi desenvolvido e testado para obter regras de associação destinadas a auxiliar a decisão do investidor na compra ou venda de criptoativos. Os dados utilizados são de séries temporais de criptoativos do site https://cryptodatadownload.com. Oito grupos de criptoativos, que são selecionados conforme divisão de classificação apresentada no site https://coinmarketcap.com: Ecossistema Binancechain (BNBchain ecosystem), Ecossistema Avalanche (Avalanche ecosystem), Ecossistema Solana (Solana ecosystem), Finanças Descentralizadas (DeFi), Tokens não fungíveis e colecionáveis (NFT & collectibles), Ecossistema Polkadot (Polkadot ecosystem), Metaverso (Metaverse), e, Jogue para ganhar (Play to earn). Para cada um dos oito grupos foram selecionados aleatoriamente quatro criptoativos. Os resultados experimentais mostram a regra de associação queda conjunta de preços de criptoativos.
Palavras-chave
Referências
AGRAWAL, R., IMIELINSKI, T., SWAMI, A. Mineração de Regras de Associação entre Conjuntos de Itens em Grande Banco de Dados, Washington, EUA, Conferência Internacional de Gerenciamento de Dados (ACM SIGMOD'93), 207-216, 1993.
AGRAWAL, R., SRIKANT, R. Algoritmo Rápido para Mineração de Regras de Associação, Santiago, Chile. 20ª Conferência Internacional Very Large Databases (VLDB'94), Santiago, Chile, 12 a 15 de setembro, 487-499, 1994.
BINANCE ACADEMY. Um Guia para Análise Fundamentalista de Criptoativos. Disponível em: https://academy.binance.com/en/articles/a-guide-to-cryptocurrency-fundamental-analysis#what-is-fundamental-analysis-fa. Acesso em: 19 de nov. 2022.
COINMARKETCAP. Preços dos Criptoativos por Capitalização de Mercado. Disponível em: https://coinmarketcap.com/. Acesso em: 19 de nov. 2022.
CARVALHO, Y. A. S. Mineração de Dados Aplicados aos Dados Públicos do Banco Mundial. Brasília: UnB, 223p., 2017. Disponível em: https://bdm.unb.br/bitstream/10483/18113/1/2017_YtaloCarvalho_MatheusSantana_tcc.pdf. Acesso em: 19 de nov. de 2022.
CVM. Criptoativos. Série Alertas, mai. 2018. Disponível em: https://www.investidor.gov.br/publicacao/Alertas/alerta_CVM_CRIPTOATIVOS_10052018.pdf. Acesso em: 19 de nov. 2022.
CRYPTODATADOWNLOAD. Data and analytics. Disponível em: https://www.cryptodatadownload.com/. Acesso em: 19 de nov. 2022.
HAJIZADEH, E., ARDAKANI, H. D., SHAHRABI, J. Aplicação de Técnicas de Mineração de Dados em Mercados de Ações: Uma Pesquisa. Jornal de Economia e Finanças Internacionais, Vol. 2(7), p. 109–118, jul. 2010.
HAN, J.; KAMBER, M. Data Mining: Concepts and Techniques. Morgan Kaufmann, 2001.
HAN, J., KAMBER, M. Conceitos e Técnicas de Mineração de Dados. EUA, Morgan Kaufmann Publishers, 2. ed. 2016.
HSIEH, Y. L., YANG, D. L., WU, J. Usando a Mineração de Dados para Estudar a Relação Causal a Montante e a Jusante no Mercado de Ações. Anais da Conferência Conjunta sobre Ciência da Informação (JCIS2006), out. 2006.
KAMLEY, S. JALOREE, S., THAKUR, R. S. Um Modelo de Mineração de Regras de Associação para Encontrar os Padrões Interessantes no Conjunto de Dados do Mercado de Ações. Jornal Internacional de Computação Aplicada, vol. 93, nº 3, 11-20, 2014.
SHAIKH, A., PRITAM, T., ANKITA, P., SHITAL, W., POOJA, T. Previsão do Mercado da Bolsa de Valores. Revista Internacional de Avanço em Ciência da Computação e Tecnologia, Vol. 3, nº 5, 349-351, 2014.
SHERDIWALA, K. B. Técnica de Mineração de Dados no Mercado de Ações. Jornal Indiano de Pesquisa Aplicada, Vol. 4, Edição 8, 327 – 329. 2014.
THAKKAR, R. Técnica de Mineração de Dados e Mercado de Ações. Jornal Internacional de Pesquisa Mundial, Vol. 1, número 13, pp. 48 – 52, dez. 2008.
UTTHAMMAJAI, K., LEESUTTHIPORNCHAI, P. Mineração de Regras de Associação nos Índices de Ações. Revista Internacional de Engenharia de Computação e Comunicação, Vol. 4, Nº 1, 46-49, 2015.
UNIVERSITY OF WAIKATO. Weka 3 – Machine Learning Software in Java. Disponível no site da University of Waikato (2010). Disponível em: http://www.cs.waikato.ac.nz/ml/weka. Acesso em 19 de nov. 2022.
WITTEN, I.; FRANK, E. Data Mining – Practical Machine Learning Tools. Morgan Kaufmann, 2000.Gurgel, C. (1997). Reforma do Estado e segurança pública. Política e Administração, 3(2), 15-21.