A inteligência de enxame oferece uma visão mais clara dos mercados de criptomoedas

A IA explicável pode melhorar as previsões dos mercados de criptomoedas?

Um sistema de previsão de criptomoedas pode reduzir os erros sem prever de forma confiável se os preços vão subir ou cair. É fácil ignorar essa distinção, mas ela separa uma ferramenta de pesquisa promissora de uma estratégia de negociação comprovada.

Um novo estudo aceito para publicação na Applied Soft Computing explora essa diferença com um sistema que combina inteligência de enxame e regras estatísticas interpretáveis.¹ Em vez de tratar os mercados de criptomoedas como um fluxo contínuo de preços, os pesquisadores ensinam o modelo a reconhecer diferentes estados do mercado e estimar como eles se sucedem.

Os resultados apontam para uma direção promissora para a IA financeira: previsões que as pessoas podem examinar e questionar. Também mostram por que transparência, precisão estatística e rentabilidade dos investimentos precisam ser avaliadas separadamente.

Como a inteligência de enxame identifica estados dos mercados de criptomoedas

O sistema combina otimização por enxame de partículas, ou PSO, com previsões de Markov. Apesar da terminologia, sua lógica básica é acessível.

Primeiro, o modelo agrupa os retornos diários em estados que representam diferentes resultados do mercado. Esses estados podem distinguir perdas leves, movimentos relativamente neutros e ganhos. A posição desses limites importa: uma classificação inadequada pode ocultar padrões úteis ou criar padrões enganosos.

O PSO busca limites melhores. Várias soluções candidatas percorrem um espaço matemático de busca e ajustam suas posições com base em informações sobre seus próprios resultados anteriores e os das demais candidatas. O processo se assemelha a um grupo que compartilha pistas enquanto procura um local promissor.

Em seguida, um modelo de Markov estima as probabilidades de transição entre estados. Ele avalia o que costumava acontecer depois de condições recentes semelhantes, em vez de tentar explicar cada movimento dos preços.

Os pesquisadores também condicionam essas relações aos regimes de mercado, incluindo diferentes contextos de volatilidade e direção. Uma transição observada em um mercado tranquilo não precisa ter o mesmo significado em meio à turbulência.

A principal inovação, portanto, está na forma como o sistema aprende o vocabulário do mercado. As definições dos estados passam a fazer parte do problema de previsão, em vez de serem categorias fixas estabelecidas antes do início das previsões.

O que o estudo sobre previsão de criptomoedas realmente descobriu

A análise principal abrange o Bitcoin (BTC )o Ethereum (ETH )o Litecoin (LTC )e o XRP, de 1º de janeiro de 2018 a 22 de abril de 2026. Uma comparação separada com janela móvel avalia Bitcoin, Ethereum e BNB em relação a um passeio aleatório, ao modelo estatístico clássico ARIMA e ao modelo de aprendizado de máquina XGBoost.

Essas análises são complementares e abrangem diferentes ativos. A comparação com janela móvel apresenta, no total, 270 previsões fora da amostra; portanto, não se deve confundir o longo conjunto de dados históricos com milhares de previsões avaliadas de forma independente.

A RMSE, ou raiz do erro quadrático médio, penaliza mais os erros maiores de previsão. A MAE, ou erro absoluto médio, mede o tamanho médio dos erros sem esse peso adicional. Ambas se referem a previsões de retorno, não a lucros de negociação.

O sistema proposto registra a menor RMSE, mas sua vantagem sobre o ARIMA é pequena. O ARIMA apresenta uma MAE ligeiramente melhor, e os testes estatísticos formais não comprovam uma diferença entre os dois quanto à perda preditiva.

As previsões direcionais têm desempenho inferior. O sistema proposto identifica corretamente a direção em 48,89% das vezes, resultado estatisticamente indistinguível de uma referência de 50%. Nenhum dos modelos testados demonstra precisão direcional estatisticamente superior a essa referência.

A calibração das probabilidades apresenta outra limitação. Um modelo bem calibrado que atribua 70% de probabilidade a um resultado deve acertar esse resultado em aproximadamente 70% das vezes, considerando previsões comparáveis. O ARIMA e o XGBoost têm melhor desempenho nas medidas agregadas de calibração apresentadas.

Por que erros menores de previsão não garantem lucros nas negociações

Um modelo pode ficar razoavelmente próximo dos retornos reais e, ainda assim, errar repetidamente sua direção. Quando muitos movimentos diários são pequenos, previsões concentradas em torno de zero podem limitar os erros sem identificar negociações atraentes.

A rentabilidade exige ainda outros fatores. Os ganhos dependem do tamanho das posições vencedoras e perdedoras, dos preços de execução, das taxas, dos spreads e da frequência de negociação da estratégia. Uma alta taxa de acerto direcional ainda pode resultar em prejuízo, enquanto uma taxa menor pode, às vezes, ser rentável se os ganhos superarem as perdas.

O artigo não apresenta uma simulação de negociação ajustada pelos custos de transação. Os resultados justificam novas investigações sobre previsão e monitoramento, mas não demonstram uma vantagem de investimento que possa ser efetivamente aproveitada.

Essa distinção complementa a cobertura recente da Securities.io sobre riscos ocultos na negociação de futuros de criptomoedas. Estimar um retorno e entender se uma posição pode ser negociada com segurança são tarefas relacionadas, mas distintas.

A explicabilidade cria um tipo diferente de valor

O modelo proposto expõe as regras de transição e as observações históricas que lhes dão sustentação. Isso pode ajudar um analista a determinar se um padrão aparente se baseia em evidências substanciais ou em um pequeno conjunto de episódios atípicos.

Por exemplo, um painel de pesquisa poderia sinalizar para revisão manual uma regra de transição com pouco respaldo. Essa é uma aplicação potencial, não um resultado demonstrado pelo estudo.

A transparência também facilita a investigação de falhas. Os analistas podem examinar se os limites entre estados se tornaram inadequados, se houve uma mudança de regime ou se uma transição antes comum deixou de ocorrer. Esse valor diagnóstico merece ser avaliado juntamente com o desempenho preditivo.

A memória do mercado de criptomoedas varia conforme as condições

Na análise principal, que abrange quatro ativos, todos selecionam uma dependência de primeira ordem. Em termos práticos, o estado mais recente fornece o contexto de transição selecionado. Sequências mais longas não geram automaticamente previsões mais úteis.

Isso não significa que informações mais antigas nunca sejam importantes. As observações históricas continuam sendo necessárias para estimar relações. Significa que acrescentar mais estados consecutivos a uma regra de previsão pode fragmentar as evidências disponíveis.

Com um número maior de sequências possíveis, cada uma pode ter menos exemplos. As mudanças de regime tornam isso mais difícil, pois as relações aprendidas em determinadas condições podem enfraquecer quando as condições mudam.

A implicação vai além das criptomoedas: a complexidade deve justificar seu lugar por meio de testes. Uma memória mais longa ou uma arquitetura mais elaborada só é útil quando as informações adicionais compensam a incerteza adicional.

A qualidade dos dados também importa. A cobertura da Securities.io sobre negociação fictícia e volatilidade do mercado destaca por que a atividade aparente precisa ser examinada com rigor. Acrescentar indicadores de volume ou liquidez a modelos futuros traria novas informações, mas também exigiria novas validações de dados.

O que os investidores devem exigir da IA financeira

O próximo passo é realizar validações mais robustas, abrangendo mais ativos, condições de mercado e métodos concorrentes. Os autores apontam como temas para trabalhos futuros a ampliação dos parâmetros de comparação, o aprimoramento da calibração, a repetição das execuções de otimização e a avaliação econômica.

Ao avaliar ferramentas semelhantes, os investidores podem se concentrar em três perguntas:

• O desempenho se mantém em dados não utilizados no treinamento, em comparação com alternativas mais simples e confiáveis?
• As probabilidades informadas correspondem aos resultados observados?
• Alguma vantagem de negociação se mantém após a inclusão de custos de execução realistas?

Manter essas perguntas separadas evita que um resultado forte em uma medida se transforme em uma afirmação sem respaldo sobre outra. Isso também dá aos desenvolvedores metas mais claras para aprimoramento.

A Coinbase conecta a análise de criptoativos à infraestrutura de mercado

Para investidores interessados na infraestrutura que dá suporte a mercados de criptoativos mais sofisticados, a Coinbase é uma empresa de capital aberto relevante para análise. Sua plataforma institucional reúne execução, custódia, financiamento e outros serviços por meio da Coinbase Prime.

A conexão vai além desse método específico de previsão. Para transformar pesquisas em fluxos de trabalho utilizáveis, as instituições precisam de dados confiáveis, controles operacionais e infraestrutura de execução. Modelos explicáveis poderiam complementar esses sistemas se testes posteriores demonstrarem valor prático.

A Coinbase também publica análises de mercado. Sua perspectiva de 7 de outubro sobre o panorama das criptomoedas considera as condições on-chain, a valoração e a liquidez, ilustrando o conjunto mais amplo de informações disponível além das transições históricas de retorno.

O estudo não demonstra que a Coinbase use essa arquitetura nem que se beneficiaria financeiramente de sua adoção. As ações da Coinbase também estão sujeitas a riscos comerciais, concorrenciais, regulatórios e relacionados ao mercado de criptoativos. A questão relevante para o investimento é se sua infraestrutura pode atender a uma demanda sustentada dos clientes, e não se um modelo de previsão específico é bem-sucedido.

Últimas notícias e novidades sobre a Coinbase (COIN)

Um futuro mais verificável para as previsões de criptoativos

A contribuição do estudo é um processo de previsão que pode ser inspecionado e apresenta desempenho competitivo em termos de erro nas previsões de retorno. Suas limitações são igualmente esclarecedoras: as previsões direcionais continuam próximas do acaso, a calibração precisa melhorar e a rentabilidade ainda não foi testada.

O progresso pode vir de tornar a IA financeira mais fácil de questionar. Quando os usuários podem examinar as regras, compreender as evidências que as sustentam e distinguir o desempenho estatístico do valor econômico, têm uma base melhor para decidir onde um modelo se encaixa em um fluxo de trabalho de investimento.

Referências:

¹ do Nascimento, K. K. F., & dos Santos, F. S. (2026). Um sistema inteligente de previsão de Markov otimizado por PSO para a dinâmica de criptomoedas dependente de regimes. Applied Soft Computing. Publicação online antecipada. https://doi.org/10.1016/j.asoc.2026.116666