Preditor de Preço do Bitcoin com Múltiplos Indicadores

Este projeto implementa um modelo de previsão do preço do Bitcoin usando aprendizado profundo (LSTM) e múltiplos indicadores do mercado, incluindo dados on-chain, sentimento de mercado, e indicadores técnicos.

Sumário

• Requisitos
• Configuração do Ambiente
• Obtendo as APIs
• Estrutura do Projeto
• Descrição das Classes e Funções
• Como Executar
• Documentação das APIs

Requisitos

• Python 3.8+
• pip (gerenciador de pacotes Python)
• Conta na Binance
• Chave API da AlphaVantage

Configuração do Ambiente

1. Clone o repositório (se aplicável) ou crie um novo diretório para o projeto:

mkdir bitcoin-predictor
cd bitcoin-predictor

2. (Opcional) Crie um ambiente virtual:

python -m venv venv
source venv/bin/activate  # Linux/Mac
venv\Scripts\activate     # Windows

3. Instale as dependências:

pip install pandas numpy scikit-learn tensorflow requests-cache cryptocmd python-binance pytrends bs4 textblob alpha_vantage python-dotenv ta

Obtendo as APIs

1. Binance API:

   • Acesse https://www.binance.com/en/my/settings/api-management
   • Faça login em sua conta
   • Clique em "Create API"
   • Anote a API Key e Secret Key

2. AlphaVantage:

   • Acesse https://www.alphavantage.co/support/#api-key
   • Registre-se para obter uma chave gratuita
   • Anote a chave API

3. Configure o arquivo .env:

   • Crie um arquivo .env na raiz do projeto
   • Adicione as seguintes linhas:

   BINANCE_API_KEY=sua_chave_aqui
   BINANCE_API_SECRET=seu_secret_aqui
   ALPHA_VANTAGE_KEY=sua_chave_aqui
   

Estrutura do Projeto

bitcoin-predictor/
│
├── .env                  # Arquivo com chaves de API
├── predictor.py          # Código principal
└── README.md            # Este arquivo

Descrição das Classes e Funções

BitcoinDataCollector

Classe responsável pela coleta de dados de várias fontes.

Métodos:

• get_price_data(start_date='2012-01-01'):

  • Retorna: DataFrame com preços históricos do Bitcoin (Open, High, Low, Close, Volume)
  • Parâmetros: start_date (str) - Data inicial para coleta

• get_google_trends():

  • Retorna: DataFrame com volume de buscas do Google Trends para "bitcoin"
  • Sem parâmetros

• get_onchain_data():

  • Retorna: DataFrame com métricas on-chain (transações, hashrate, mempool, dificuldade)
  • Sem parâmetros

• get_fear_greed_index():

  • Retorna: DataFrame com índice de Medo e Ganância
  • Sem parâmetros

• get_exchange_flow():

  • Retorna: DataFrame com dados de fluxo da Binance
  • Sem parâmetros

FeatureEngineer

Classe para processamento e engenharia de features.

Métodos:

• create_technical_indicators(df):

  • Retorna: DataFrame com indicadores técnicos adicionados
  • Parâmetros: df (DataFrame) - Dados de preço

• prepare_features(price_data, google_trends, onchain_data, fear_greed, exchange_flow):

  • Retorna: DataFrame combinado e normalizado com todas as features
  • Parâmetros: Vários DataFrames com diferentes tipos de dados

BitcoinPredictor

Classe que implementa o modelo de previsão LSTM.

Métodos:

• create_sequences(data):

  • Retorna: Arrays numpy (X, y) com sequências para treino
  • Parâmetros: data (DataFrame) - Dados processados

• build_model(input_shape):

  • Retorna: Modelo Keras compilado
  • Parâmetros: input_shape (tuple) - Forma dos dados de entrada

• train(X, y, epochs=50, batch_size=32):

  • Retorna: (history, X_test, y_test) - Histórico de treino e dados de teste
  • Parâmetros:
    • X (array): Features de treino
    • y (array): Labels de treino
    • epochs (int): Número de épocas
    • batch_size (int): Tamanho do batch

• predict(X):

  • Retorna: Array com previsões
  • Parâmetros: X (array) - Dados para previsão

Como Executar

1. Certifique-se que todas as dependências estão instaladas e o arquivo .env está configurado

2. Execute o script principal:

python predictor.py

3. Para usar em seu próprio código:

from predictor import BitcoinDataCollector, FeatureEngineer, BitcoinPredictor

# Inicializa classes
collector = BitcoinDataCollector()
engineer = FeatureEngineer()
predictor = BitcoinPredictor()

# Coleta e processa dados
price_data = collector.get_price_data()
# ... coleta outros dados ...

# Prepara features
processed_data = engineer.prepare_features(
    price_data,
    google_trends,
    onchain_data,
    fear_greed,
    exchange_flow
)

# Treina modelo
X, y = predictor.create_sequences(processed_data)
history, X_test, y_test = predictor.train(X, y)

# Faz previsões
predictions = predictor.predict(X_test)

Documentação das APIs

• Binance API
• AlphaVantage
• Blockchain.com API
• Google Trends