Bitcasting: : Uma abordagem de aprendizado de maquina para previsao
da direcao do Bitcoin em multiplos horizontes temporais
Bitcoin, Criptomoeda, Aprendizado de máquina, análise de séries temporais, análise técnica, previsão;
Este trabalho investiga a eficácia de modelos de machine learning na previsão da direção do preço do Bitcoin em múltiplos horizontes de tempo. Treinamos modelos para classificar os movimentos de preços como sinais de compra, venda ou manutenção, utilizando características técnicas, fundamentais e de séries temporais. Nossa metodologia integra engenharia de características, dados da Binance e CoinMetrics, e uma avaliação comparativa de XGBoost, máquina de vetores de suporte (SVM), regressão logística e random forest.
Os resultados mostram que as séries temporais e os indicadores técnicos são especialmente eficazes em horizontes mais curtos. Entre os modelos, o XGBoost consistentemente alcançou desempenho superior tanto em acurácia de classificação quanto em lucratividade de negociação. Estratégias de negociação simuladas baseadas nas previsões do modelo superaram notavelmente uma referência de "comprar e manter" (buy-and-hold), atingindo retornos cumulativos de 347% e 607% para horizontes de 3 e 30 dias, respectivamente, mantendo Sharpe ratios competitivos.