Um preprint de maio de 2026, da autoria de Carlos Baquero, da Universidade do Porto, analisou 23 artigos sobre previsão de preços do Bitcoin, selecionados pelos métodos, pela avaliação out-of-sample genuína ou pela influência, e chegou a uma conclusão sóbria. No conjunto da literatura revista por pares, nenhum modelo demonstrou superioridade duradoura sobre a referência naive adequada em horizontes de um a seis meses, abrangendo vários regimes de mercado. A própria revisão continua a aguardar revisão por pares.
A fragilidade é estrutural, e não específica de qualquer técnica. A previsão naive funciona porque os preços financeiros são persistentes: um modelo que prevê $100,100 para amanhã, quando o Bitcoin negoceia a $100,000 hoje, pode produzir um erro percentual diminuto sem aprender praticamente nada sobre a direção. Francesco Puoti, Fabrizio Pittorino e Manuel Roveri chegaram a um resultado semelhante, comparando 12 abordagens (ARIMA, Prophet, random forests, XGBoost, redes LSTM e N-BEATS) em cinco criptomoedas de referência, em horizontes de um dia, sete dias e 30 dias. Modelos naive simples produziram, de forma consistente, previsões melhores do que todas as alternativas complexas testadas.
Porque importa
O Bitcoin oferece quantidades enormes de dados, mas o número de ciclos de mercado independentes continua a ser reduzido. Milhões de barras de um minuto continuam a repetir observações do mesmo mercado bear de 2018 ou do mesmo choque de liquidez de 2020. Uma regra calibrada para o ciclo de retalho de 2017 encontrou uma estrutura de derivados diferente em 2021, e os ETFs spot criaram outra via de capital e descoberta de preços em 2024. Cada época fornece dados históricos de uma versão do mercado que já não existe exatamente sob a mesma forma, o problema da não estacionariedade que está no centro de cada falha de previsão quantitativa.
O backtest overfitting agrava o problema. Testar mais variantes de modelos aumenta a probabilidade de encontrar um excelente resultado histórico por acaso, e escolher o vencedor enquanto se ocultam as tentativas falhadas produz aquilo que David Bailey e os seus coautores formalizaram como a probabilidade de backtest overfitting. Entre os artigos revistos por pares que Baquero analisou, nenhum avaliou a mesma abordagem em múltiplas janelas holdout não sobrepostas que cobrissem diferentes regimes. Uma única divisão cronológica oferece pouca proteção, porque um investigador pode treinar até 2020 e avaliar em 2021, produzindo um resultado aparentemente out-of-sample que deve grande parte do seu desempenho a um único mercado bull.
Impacto no mercado
O resultado tem implicações diretas para as avaliações que os investidores de retalho realmente utilizam.
Perguntas frequentes
-
Que conclusões tirou o preprint da Universidade do Porto sobre a previsão de preços do Bitcoin?
A revisão de Carlos Baquero, de maio de 2026, analisou 23 artigos revistos por pares sobre previsão do Bitcoin, selecionados pelos métodos, pela influência ou por uma avaliação out-of-sample genuína. Concluiu que nenhum demonstrou superioridade duradoura sobre a referência naive adequada em horizontes de um a seis…
-
Porque é que as previsões naive superam os modelos complexos no Bitcoin?
Os preços financeiros são persistentes, pelo que um modelo que prevê $100,100 para amanhã, quando o Bitcoin negoceia a $100,000 hoje, produz um erro percentual diminuto sem aprender praticamente nada sobre a direção ou o retorno. Puoti, Pittorino e Roveri confirmaram-no empiricamente: modelos naive simples superaram…
-
O que é o backtest overfitting e porque é relevante para modelos de cripto?
O backtest overfitting, formalizado por David Bailey e coautores, descreve a probabilidade acrescida de encontrar um excelente resultado histórico por acaso quando os investigadores testam muitas variantes de modelos. Escolher o vencedor enquanto se ocultam as tentativas falhadas produz um desempenho aparentemente…
-
Os modelos stock-to-flow e Metcalfe preveem o preço do Bitcoin?
O exame revisto por pares de Alexander Shelton, de 2024, concluiu que as variáveis stock-to-flow e Metcalfe explicavam os retornos do Bitcoin in-sample, mas ofereciam capacidade preditiva limitada ou nula out of sample. Assim que os efeitos temporais entraram na regressão stock-to-flow, a sua força estatística…
-
O que exigiria um padrão honesto de previsão para o Bitcoin?
A revisão de Baquero descreve vários requisitos: publicar a referência naive ao lado de cada modelo, reportar cada regime de mercado em separado e não como um único erro agregado, incluir custos de negociação, disponibilizar código e dados públicos para reprodutibilidade, e divulgar quantas variantes de modelos foram…
WuBlockchain
Lookonchain
TheBlock
Crypto Rank News
Glassnode