Previsão de retornos do bitcoin: uma abordagem comparativa entre modelos ARIMA e LSTM integrados com dados de tendências do Google

Abstract

A previsão de retornos financeiros é um dos maiores desafios enfrentados por economistas, especialmente em mercados altamente voláteis como o de criptomoedas. Este estudo buscou compreender como diferentes abordagens preditivas, representadas pelos modelos ARIMA e LSTM, podem capturar a complexidade dos retornos do Bitcoin. Partindo da premissa de que fatores externos, como o comportamento coletivo expresso nas tendências de busca, podem influenciar os retornos, investigou-se se a inclusão dessas variáveis, melhora a capacidade preditiva dos modelos. Os resultados mostraram que o ARIMA, apesar de simples, apresentou maior estabilidade em métricas como RMSE e MAE. Por outro lado, o LSTM demonstrou maior habilidade para capturar padrões não lineares, ainda que tenha mostrado limitações em sua precisão percentual. A inclusão de variáveis externas, como dados do Google Trends, não gerou uma melhora significativa nos resultados, sugerindo que ajustes mais robustos são necessários para explorar plenamente o potencial dessas informações

Forecasting financial returns is one of the greatest challenges faced by economists, particularly in highly volatile markets such as cryptocurrencies. This study aimed to understand how different predictive approaches, represented by ARIMA and LSTM models, can address the complexity of Bitcoin returns. Based on the premise that external factors, such as collective behavior expressed through search trends, influence prices, this research investigated whether the inclusion of these variables improves model predictive capabilities. Results indicated that ARIMA, despite its simplicity, showed greater stability in metrics such as RMSE and MAE. Conversely, LSTM exhibited superior ability to capture nonlinear patterns, though it displayed limitations in its percentage accuracy. The integration of exogenous variables, such as Google Trends data, did not significantly enhance the results, suggesting the need for more robust adjustments to fully explore the potential of this information. This study contributes to the understanding of how behavioral and technical factors can be integrated into predictive modeling, highlighting the opportunities and challenges inherent to disruptive financial markets.