A Bitcoin tem recebido recentemente especial atenção em áreas como a economia e finanças por ser a mais popular tecnologia de blockchain. Esta dissertação tem como objetivo verificar se os novos modelos de machine-learning apresentam melhores resultados que os modelos tradicionais em previsões. Este estudo compara, em particular, a precisão da previsão do preço da Bitcoin usando dois modelos diferentes: Long-Short Term Memory (LSTM) versus Auto Regressive Integrated Moving Average (ARIMA), em termos de erros de previsão e aplicando rotinas do Python. A análise teve como base os preços diários da Bitcoin entre 18 de junho de 2016 e 7 de agosto de 2019, retirados da base de dados da Reserva Federal. Para comparar os resultados dos dois modelos, os dados foram divididos em duas secções: o treino (83.5%) e o teste (16.5%). A literatura indica que o modelo LSTM tem uma melhor precisão que o ARIMA e nesta dissertação os resultados confirmam que o modelo LSTM melhora em média 92% e 94% a previsão do ARIMA, de acordo com o RMSE e o MAE.

Bitcoin has recently received special attention in economics and finance as the most popular blockchain technology. This dissertation aims to discuss whether newly machine-leaning models perform better than traditional models in forecasting. Particularly, this study compares the accuracy of the prediction of bitcoin prices using two different models: Long-Short Term Memory (LSTM) versus Auto Regressive Integrated Moving Average (ARIMA), in terms of forecasting errors, and Python routines were used for such purpose. Bitcoin price time series ranges from 2017-06-18 to 2019-08-07, in a daily basis, sourced from the Federal Reserve Economic Data. To compare the results of both models, data was divided into two subsets: training (83.5%) and testing (16.5%). The literature usually indicates that LSTM outperforms ARIMA. In this dissertation, the results do confirm that LSTM forecasts of bitcoin prices improve on average ARIMA predictions by 92% and 94%, according to RMSE and MAE.