Bitcoin Market Sentiment System (BMSS)
O BMSS (Bitcoin Market Sentiment System) é uma aplicação full stack com microsserviços que coleta notícias e publicações sobre Bitcoin, realiza análise de sentimento utilizando Inteligência Artificial e apresenta os resultados em um dashboard interativo.
O objetivo do sistema é transformar grandes volumes de informação do mercado em um indicador visual de sentimento, auxiliando investidores e analistas a entender o humor geral do mercado.
O sistema não prevê preço do Bitcoin, apenas analisa o sentimento presente em conteúdos públicos.
Demonstração
Dashboard de Sentimento
(adicione aqui um print do sistema)
/docs/dashboard.png
Gráfico de tendência de sentimento
/docs/sentiment-chart.png
Distribuição de sentimento
/docs/sentiment-distribution.png
Arquitetura do Sistema
O projeto foi desenvolvido utilizando arquitetura de microsserviços, separando responsabilidades entre frontend, backend e IA.
Frontend (Next.js / React)
│
▼
Backend API (Spring Boot)
│
▼
Microserviço de IA (Python / Flask)
│
▼
Banco de Dados (PostgreSQL)
Fluxo do sistema
1️⃣ Frontend solicita dados ao backend
2️⃣ Backend coleta notícias ou tweets
3️⃣ Backend envia textos para o microserviço de IA
4️⃣ IA analisa o sentimento do conteúdo
5️⃣ Resultado é armazenado no PostgreSQL
6️⃣ Frontend apresenta os dados em gráficos no dashboard
Análise de Sentimento
O BMSS utiliza uma estratégia híbrida de análise.
1️ Keyword Engine
Um mecanismo de palavras-chave financeiras analisa o texto atribuindo pontuações positivas ou negativas.
Exemplo:
bullish → positivo
crash → negativo
surge → positivo
panic → negativo
2️ Modelo NLP (Transformers)
Caso o resultado não seja conclusivo, o sistema utiliza um modelo baseado em:
FinBERT
DistilRoBERTa
Biblioteca utilizada:
Hugging Face Transformers
3️ Combinação de resultados
O sistema combina os dois métodos:
80% análise por palavras-chave
20% modelo de IA
Isso permite:
✔ alta velocidade
✔ baixo custo computacional
✔ boa precisão
🛠️ Tecnologias Utilizadas
Frontend
React
Next.js
TypeScript
TailwindCSS
Chart.js / Recharts
Deploy:
Vercel
Backend
Java 17
Spring Boot
Spring Web
Spring Data JPA
Hibernate
PostgreSQL
Deploy:
Render
Microserviço de IA
Python
Flask
Hugging Face Transformers
FinBERT
NLP
Deploy:
Render
Banco de Dados
Principais tabelas:
users
roles
sources
items
sentiments
Relacionamentos principais:
users → roles
items → sources
sentiments → items
🔌 API Endpoints
Bitcoin
Obter preço atual
GET /api/v1/crypto/bitcoin
Histórico de preço
GET /api/v1/crypto/bitcoin/historico?dias=30
Notícias
Últimas notícias
GET /api/v1/noticias/ultimas
Tweets
Últimos tweets
GET /api/v1/noticias/tweets/ultimos
IA
Analisar textos
POST /analyze-batch
Exemplo:
[
"Bitcoin sobe após aprovação de ETF",
"Mercado teme nova queda do BTC"
]
Resposta:
[
{ "label": "positive", "score": 0.85 },
{ "label": "negative", "score": -0.62 }
]
⚙️ Variáveis de Ambiente
Frontend
NEXT_PUBLIC_API_BASE_URL
Backend
DATABASE_URL
DATABASE_USER
DATABASE_PASSWORD
SPRING_PROFILES_ACTIVE
Deploy
O sistema está hospedado utilizando plataformas modernas de cloud.
Frontend
Vercel
Backend
Render
Microserviço IA
Render
Limitações
Dependência de APIs externas
Modelos NLP podem interpretar sarcasmo incorretamente
Palavras-chave precisam de manutenção contínua
Trabalhos Futuros
Suporte a múltiplas criptomoedas
Stream de dados em tempo real
Treinamento de modelos específicos para português
Sistema de alertas de mercado
Análise de tendências com Machine Learning
Autor
Samuel Rodrigues de Oliveira Neves
Desenvolvedor Full Stack
GitHub
https://github.com/SamuelRNeves
LinkedIn
www.linkedin.com/in/samuelronevesdev
