Detecção de anomalias em séries temporais do bitcoin utilizando o aprendizado de máquina quântico

Página do item simplificado
dc.contributor.authorSánchez Salinas, Dylan Rafael
dc.date.accessioned2025-03-31T10:46:12Z
dc.date.available2025-03-31T10:46:12Z
dc.date.issued2025
dc.description.abstractEste trabalho investiga a aplicação do algoritmo denominado Quantum Variational Rewinding (QVR) na detecção de anomalias em séries temporais, com foco na variação do Bitcoin nos últimos anos. As criptomoedas, em particular o Bitcoin, apresentam uma volatilidade extrema, o que dificulta a previsão e análise de seu comportamento. Isso torna essencial o desenvolvimento de métodos mais avançados, como o QVR, para identificar padrões irregulares e prever variações no mercado. Métodos tradicionais de análise de séries temporais enfrentam dificuldades para identificar padrões ocultos em dados financeiros complexos, especialmente em mercados de alta volatilidade como o das criptomoedas. Nesse contexto, abordagens baseadas em Computação Quântica e aprendizado de máquina se destacam como ferramentas poderosas para detectar essas anomalias de forma mais eficiente e precisa. O Quantum Variational Rewinding, uma técnica inovadora, surge como uma solução promissora para enfrentar esses desafios, oferecendo uma forma avançada de modelar e analisar séries temporais financeiras. A metodologia adotada envolve a coleta e normalização de dados históricos do Bitcoin, implementação do modelo QVR em um ambiente simulado de Computação Quântica e a análise dos resultados utilizando o coeficiente de Pearson, que mede a correlação entre os padrões identificados e as variações do preço do Bitcoin. Os experimentos demonstram que o QVR não apenas apresenta potencial, mas também evidenciou resultados promissores ao capturar padrões complexos em séries temporais financeiras, oferecendo uma abordagem inovadora e eficaz para a análise de dados financeiros altamente voláteis, como os de criptomoedas. Comparado a métodos tradicionais, o QVR se destaca ao identificar desvios significativos no comportamento das séries temporais do Bitcoin, indicando seu grande potencial em mercados voláteis. Resumen Este trabajo investiga la aplicación del algoritmo denominado Quantum Variational Rewinding (QVR) en la detección de anomalías en series temporales, con enfoque en la variación del Bitcoin en los últimos años. Las criptomonedas, en particular el Bitcoin, presentan una volatilidad extrema, lo que dificulta la previsión y el análisis de su comportamiento. Esto hace esencial el desarrollo de métodos más avanzados, como el QVR, para identificar patrones irregulares y predecir variaciones en el mercado. Los métodos tradicionales de análisis de series temporales enfrentan dificultades para identificar patrones ocultos en datos financieros complejos, especialmente en mercados de alta volatilidad como el de las criptomonedas. En este contexto, enfoques basados en Computación Cuántica y aprendizaje automático se destacan como herramientas poderosas para detectar estas anomalías de forma más eficiente y precisa. El Quantum Variational Rewinding, una técnica innovadora, surge como una solución prometedora para enfrentar estos desafíos, ofreciendo una forma avanzada de modelar y analizar series temporales financieras. La metodología adoptada implica la recolección y normalización de datos históricos del Bitcoin, la implementación del modelo QVR en un entorno simulado de Computación Cuántica y el análisis de los resultados utilizando el coeficiente de Pearson, que mide la correlación entre los patrones identificados y las variaciones del precio del Bitcoin. Los experimentos demuestran que el QVR no solo presenta potencial, sino que también evidenció resultados prometedores al capturar patrones complejos en series temporales financieras, ofreciendo un enfoque innovador y eficaz para el análisis de datos financeiros altamente volátiles, como los de criptomonedas. En comparación con métodos tradicionales, el QVR se destaca al identificar desviaciones significativas en el comportamiento de las series temporales del Bitcoin, lo que indica su gran potencial em mercados volátiles.
dc.identifier.urihttps://dspace.unila.edu.br/handle/123456789/8997
dc.language.isopt
dc.rightsopenAccess
dc.subjectcomputação quântica
dc.subjectaprendizado do computador
dc.subjectbitcoin
dc.subjectséries temporais
dc.titleDetecção de anomalias em séries temporais do bitcoin utilizando o aprendizado de máquina quântico
dcterms.abstractThis work investigates the application of the algorithm known as Quantum Variational Rewinding (QVR) in anomaly detection in time series, focusing on the variation of Bitcoin in recent years. Cryptocurrencies, particularly Bitcoin, exhibit extreme volatility, which complicates the prediction and analysis of their behavior. This makes the development of more advanced methods, such as QVR, essential for identifying irregular patterns and predicting market fluctuations. Traditional time series analysis methods face difficulties in identifying hidden patterns in complex financial data, especially in highly volatile markets like cryptocurrencies. In this context, approaches based on Quantum Computing and machine learning stand out as powerful tools for detecting these anomalies more efficiently and accurately. Quantum Variational Rewinding, an innovative technique, emerges as a promising solution to tackle these challenges, offering an advanced way to model and analyze financial time series. The adopted methodology involves the collection and normalization of historical Bitcoin data, implementation of the QVR model in a simulated Quantum Computing environment, and analysis of the results using the Pearson coefficient, which measures the correlation between the identified patterns and the Bitcoin price variations. The experiments demonstrate that QVR not only shows potential but also has shown promising results in capturing complex patterns in financial time series, offering an innovative and effective approach to analyzing highly volatile financial data, such as cryptocurrencies. Compared to traditional methods, QVR stands out by identifying significant deviations in the behavior of Bitcoin time series, indicating its great potential in volatile markets.

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
Detecção de anomalias em séries temporais do bitcoin utilizando o aprendizado de máquina quântico.pdf
Tamanho:
2.46 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.82 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

TCC - Engenharia Física