BMSS

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