Skip to content

Análise e Projeção do Preço de Tokens utilizando modelos estatísticos, Inteligência Artificial Generativa e um Sistema de Multiagentes.

License

Notifications You must be signed in to change notification settings

BrunoAraujo84/Modelo-Analise-Projecao-Token

Repository files navigation

Análise e Projeção do Preço de Tokens

License Python Last Commit Contribuições

Descrição do Projeto

Visão Geral

Este projeto realiza a análise e projeção de preços de tokens de criptomoedas utilizando uma combinação de modelos estatísticos, Inteligência Artificial Generativa da Google e um Sistema de Multiagentes Crew AI. Ele visa fornecer previsões precisas e análises detalhadas para ajudar traders e investidores a tomarem decisões informadas.

Tecnologias Utilizadas

  • Python: Linguagem de programação principal utilizada para desenvolver o projeto.
  • Crew AI: Framework para criação e gestão de agentes inteligentes.
  • LangChain: Biblioteca para integração com modelos de linguagem.
  • Google Generative AI: Serviço de IA generativa para criar análises textuais.
  • TensorFlow: Biblioteca de aprendizado de máquina utilizada para construir e treinar modelos LSTM.
  • scikit-learn: Biblioteca para aprendizado de máquina utilizada para pré-processamento de dados e validação cruzada.
  • TA-Lib: Biblioteca para análise técnica de séries temporais financeiras.

Modelos Estatísticos e Técnicas Aplicadas

  1. Indicadores Técnicos:

    • RSI (Relative Strength Index): Indicador de momentum que mede a velocidade e a mudança dos movimentos de preço.
    • EMA (Exponential Moving Average): Média móvel exponencial que dá mais peso aos preços recentes.
    • ADX (Average Directional Index): Indicador que mede a força da tendência.
    • Bollinger Bands: Faixas que indicam a volatilidade do mercado.
    • MACD (Moving Average Convergence Divergence): Indicador de tendência que mostra a relação entre duas médias móveis de preços.
    • Ichimoku Cloud: Indicador que define níveis de suporte e resistência, identifica a direção da tendência, mede o momentum e fornece sinais de trading.
    • MFI (Money Flow Index): Indicador que mede a entrada e saída de dinheiro de um ativo.
  2. Modelos de Aprendizado de Máquina:

    • LSTM (Long Short-Term Memory): Tipo de rede neural recorrente usada para prever séries temporais devido à sua capacidade de aprender dependências de longo prazo.
    • CNN-LSTM (Convolutional Neural Network - Long Short-Term Memory): Combinação de CNN para extração de características e LSTM para previsão de séries temporais.

Resultados Apresentados

O projeto fornece os seguintes resultados para cada criptomoeda analisada:

  1. Preço Atual: O preço mais recente da criptomoeda.
  2. Indicadores Técnicos: Valores calculados para RSI, EMA, ADX, Bollinger Bands, MACD, Ichimoku Cloud, MFI e VWAP.
  3. Previsão de Preço:
    • Projeção Usando Indicadores: Previsão baseada nos valores dos indicadores técnicos.
    • Projeção Usando LSTM: Previsão baseada em um modelo CNN-LSTM treinado com os dados históricos.
    • Previsão para os Próximos 5 Dias: Previsões diárias para os próximos 5 dias usando o modelo LSTM.
  4. Erro Médio Quadrático (MSE): Métrica de desempenho do modelo LSTM.
  5. Análise Textual: Análise detalhada e contextualizada gerada pela Inteligência Artificial Generativa da Google, considerando os dados históricos e notícias recentes.

Esses resultados são enviados diretamente para um chat no Telegram, proporcionando acesso rápido e conveniente às análises e previsões.

Estrutura do Projeto

├── Analise_Crewai.py
├── CoinGecko_Analise_Token.py
├── CoinGecko_Analise_Token_Com_AI.py
├── Envio_Resultado_Telegram.py
├── requirements.txt
├── .gitignore
├── LICENSE
└── README.md

Dependências

Para executar este projeto, você precisará das seguintes bibliotecas e dependências:

  • requests: Biblioteca para fazer requisições HTTP.
  • pandas: Biblioteca para manipulação e análise de dados.
  • numpy: Biblioteca para computação numérica.
  • ta: Biblioteca para análise técnica de séries temporais financeiras.
  • scikit-learn: Biblioteca para aprendizado de máquina, usada para pré-processamento de dados e validação cruzada.
  • tensorflow: Biblioteca de aprendizado de máquina usada para construir e treinar modelos LSTM.
  • crewai: Biblioteca para criação e gestão de agentes inteligentes.
  • crewai_tools: Ferramentas adicionais para integração com Crew AI.
  • langchain_groq: Biblioteca para integração com modelos de linguagem Groq.
  • langchain_google_genai: Biblioteca para integração com a IA Generativa da Google.
  • langchain_community.tools: Ferramentas da comunidade para integração com LangChain.
  • langchain_core.tools: Ferramentas principais para integração com LangChain.
  • langchain_openai: Biblioteca para integração com modelos OpenAI.

Instalação

  1. Clone o repositório:

    git clone https://github.com/BrunoAraujo84/Modelo-Analise-Projecao-Token.git
    cd Modelo-Analise-Projecao-Token
  2. Crie um ambiente virtual e ative-o:

    python -m venv venv
    source venv/bin/activate  # No Windows use \`venv\Scripts\activate\`
  3. Instale as dependências listadas no arquivo requirements.txt:

    pip install -r requirements.txt
  4. Configure as seguintes variáveis de ambiente com suas respectivas chaves de API:

    - GEMINI_API_KEY
    - LLAMA3_API_KEY
    - SERPER_API_KEY
    - OPENAI_API_KEY
    - BOT_TELEGRAM_API_KEY
    - BOT_TELEGRAM_CHAT_ID
    

About

Análise e Projeção do Preço de Tokens utilizando modelos estatísticos, Inteligência Artificial Generativa e um Sistema de Multiagentes.

Topics

Resources

License

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages