Cinco critérios para julgar qualquer modelo de previsão de Bitcoin — e por que a maioria falha em todos eles. Da instabilidade dos regimes de mercado ao risco de cauda, passando pela liquidez, pelo overfitting e pelo teste final contra o buy-and-hold com custos, um guia para separar análise de retórica e entender por que quem vende certeza costuma estar vendendo outra coisa.
A previsão dos preços de criptoativos consolidou-se como o gênero mais prolífico e menos auditado do discurso financeiro contemporâneo. Multiplicam-se modelos que juram ter “antecipado o movimento do mercado”, ostentando indicadores de pretensa infalibilidade e projeções de precisão decimal. Contudo, vencido o prazo, o silêncio impera. É a ausência sistemática de verificação ex post, isto é, a comparação entre a previsão e o resultado, que permite a esse mercado de ilusões prosperar.
Isso não significa, de forma alguma, que a modelagem quantitativa seja um exercício vão. Fundos, bancos e pesquisadores alimentam-se dos dados diariamente. A distinção reside no fato de que um modelo analítico sério é forjado para resistir a cinco propriedades e patologias que as previsões de ocasião ignoram.
Em vez de uma nova previsão, forneceremos critérios. Submeta qualquer projeção à avaliação desses cinco fatores fundamentais:
1. Regime de mercado: A estrutura estatística dos retornos é inerentemente instável. Padrões identificados em uma fase tendem a se desintegrar na seguinte.
2. Risco de cauda: Os retornos exibem caudas pesadas. Eventos extremos ocorrem com frequência assustadora, superior à sugerida por distribuições normais.
3. Liquidez: Previsões inexecutáveis carecem de valor econômico. É essencial existir contrapartes com volume suficiente para absorver ordens sem deslocar o preço.
4. Sobreajuste (overfitting): Com parâmetros suficientes, qualquer modelo descreve o passado com perfeição. Aderência retrospectiva impecável costuma ser sintoma de ruído estatístico memorizado, não credencial válida.
5. Benchmark e custos: Toda estratégia ativa deve superar a alternativa passiva de comprar e manter, já descontados os custos transacionais.
Termos mais técnicos comentados neste artigo estão explicados no glossário ao final e ao longo do texto.
O primeiro reflexo diante de um modelo é perguntar se ele funciona. A pergunta mais útil, contudo, é outra: por quanto tempo. Os mercados de criptoativos atravessam regimes, períodos em que a relação entre as variáveis se mantém relativamente estável, e transitam entre eles sem aviso. Uma regra afinada durante a alta de 2020–2021 descrevia com precisão um mercado que subia por meses seguidos; a mesma regra, aplicada a 2022, continuava apontando para cima enquanto o preço desabava. O padrão não se degradou por acaso: o regime mudou.
Essa instabilidade não é um defeito dos dados, mas uma propriedade do objeto. A Hipótese de Mercado Adaptativo, formulada pelo economista Andrew Lo, sustenta que a eficiência de um mercado, ou seja, a facilidade com que se pode ou não antecipá-lo, não é fixa, e sim função das condições e dos participantes de cada momento. A previsibilidade, portanto, é intermitente: alta em alguns intervalos, quase nula em outros.
O que é escala logarítmica: eixo em que cada marca representa uma multiplicação (US$ 1.000, US$ 10.000, US$ 100.000), não uma soma constante. Ela permite enxergar variações percentuais de forma comparável ao longo de anos em que o preço muda de ordem de grandeza.
O gráfico acima torna o argumento visível. Sobre o preço do Bitcoin desde 2017, destacamos três fases conhecidas: a alta de 2020–2021, a queda de 2022 e a recuperação seguinte. Essas fases são um recorte interpretativo, não o resultado de um detector automático; servem para evidenciar o essencial: a dinâmica de uma fase raramente sobrevive à seguinte. O novo máximo de 2024 não reproduziu a mecânica de 2021.
A consequência é desconfortável para quem vende certeza. Um modelo calibrado no passado recente carrega a suposição implícita de que o regime atual vai persistir. Quando ele muda, e ele muda, a previsão que parecia infalível deixa de fazer sentido.
Boa parte da estatística financeira nasce de uma suposição confortável: a de que os retornos seguem uma distribuição normal, a clássica curva em forma de sino, na qual valores próximos da média são comuns e desvios extremos, raríssimos. É uma suposição elegante, mas, no caso do Bitcoin, falsa.
Os retornos diários do Bitcoin exibem o que se chama de caudas pesadas (heavy tails): eventos extremos, tanto quedas quanto altas, ocorrem com frequência muito superior à que a curva normal admite. Uma forma de medir isso é a curtose, que quantifica o peso das extremidades da distribuição. Numa normal, ela vale 3. Nos retornos do Bitcoin desde 2017, calculamos 15, o que indica cinco vezes mais massa nos extremos. Há também uma assimetria negativa (-0,65): as quedas abruptas são um pouco mais prováveis que as altas equivalentes.
O que são curtose e assimetria: a curtose mede o quanto as “pontas” da distribuição são carregadas — quanto maior, mais frequentes são os dias de variação extrema. A assimetria mede para que lado a distribuição pende; negativa significa que os tombos fortes pesam mais do que as altas fortes.
Os números concretos dispensam abstração. O pior dia da série foi 12 de março de 2020, no pânico inicial da pandemia: uma queda de 46% em 24 horas. Em quase uma década, 80 dias, cerca de um a cada quarenta, registraram variação acima de 10%, para cima ou para baixo. O gráfico sobrepõe a curva normal ao histograma real: onde o sino já zerou, os dados do Bitcoin ainda têm massa relevante.
A literatura confirma o padrão, por vezes com números ainda mais extremos, conforme o período e o método. O ponto não é o valor exato, mas a direção: qualquer modelo que trate o Bitcoin como um ativo “bem-comportado” subestima sistematicamente a probabilidade de catástrofe. E é nos extremos, não na média tranquila, que fortunas se fazem e se desfazem.
Uma previsão correta que não pode ser executada não vale nada. Esse é talvez o pilar mais ignorado do debate, porque exige olhar não para o preço, mas para a liquidez, isto é, a existência de contrapartes dispostas a negociar volume suficiente sem que a própria ordem empurre o preço contra quem a envia.
A liquidez do Bitcoin não é constante: ela tem ritmo. Ao longo do dia, a atividade do mercado sobe e desce num ciclo de 24 horas, ditado pela abertura e pela sobreposição das grandes praças financeiras.
O gráfico acima mostra o volume médio negociado por hora, usado aqui como proxy (uma medida aproximada) de liquidez, já que os dados de profundidade real do livro de ofertas exigem fontes proprietárias.
O padrão é nítido: o pico ocorre por volta das 15h UTC, quando Londres e Nova York operam ao mesmo tempo, e o vale por volta das 10h UTC. Entre um e outro, a atividade varia mais de duas vezes. O relatório de liquidez da Amberdata, com dados de profundidade que não possuímos, aponta exatamente o mesmo pico, uma convergência que dá confiança ao proxy.
Por que isso importa para a previsão? Porque executar uma ordem num momento de mercado raso custa mais: o spread (a diferença entre o melhor preço de compra e o de venda) se alarga, e ordens grandes “escorregam”, sendo preenchidas a preços cada vez piores. Uma estratégia lucrativa no papel pode consumir todo o ganho apenas na fricção da execução. Prever o preço é metade do problema; a outra metade é conseguir, de fato, negociar a esse preço.
Há uma armadilha que ilude até analistas experientes, e é tão mais perigosa quanto mais convincente parece: o sobreajuste, ou overfitting. Com parâmetros suficientes, qualquer modelo pode ser moldado para descrever o passado com precisão quase perfeita. O problema é que descrever o passado e prever o futuro são tarefas distintas, e a primeira não implica a segunda.
O gráfico acima ilustra o mecanismo. Tomamos os últimos 180 pregões do Bitcoin e os dividimos em duas partes: uma de treino, onde os modelos “aprendem”, e uma de teste, que eles não veem, simulando o futuro. Ajustamos então dois modelos apenas sobre o treino. O primeiro, simples, traça uma tendência suave. O segundo, deliberadamente complexo, contorce-se para passar quase em cima de cada ponto.
No treino, o modelo complexo parece superior: seu erro é a metade do modelo simples. Mas, ao cruzar para o teste, território que ele não decorou, o resultado se inverte de forma brutal. O erro do modelo simples cresce de maneira administrável; o do modelo complexo explode cerca de 250 vezes. Ele não aprendeu o sinal; memorizou o ruído.
A lição é contra-intuitiva e vale como alerta permanente: um histórico ajustado com perfeição não é uma credencial, e sim um sintoma. Quando alguém exibe um backtest, a simulação de uma estratégia sobre dados passados, sem uma única falha, a reação correta não é admiração, mas suspeita. A pergunta a fazer é sempre a mesma: como esse modelo se comporta nos dados que nunca viu?
Suponha que uma estratégia tenha sobrevivido a tudo o que veio antes: respeita os regimes, incorpora o risco de cauda, considera a liquidez e resiste ao sobreajuste. Falta o teste final, e é o mais simples de todos: ela supera a alternativa preguiçosa de não fazer nada?
Essa alternativa tem nome: buy-and-hold, ou “comprar e segurar”, que consiste em adquirir o ativo e mantê-lo, ignorando as oscilações. É o benchmark, a régua contra a qual qualquer estratégia ativa precisa ser medida. E é uma régua exigente.
O que é cruzamento de médias móveis (SMA 20/50): regra técnica que compra quando a média de preços dos últimos 20 dias cruza para cima a média dos últimos 50 dias, e vende no cruzamento inverso. É uma das estratégias ativas mais tradicionais, usada aqui como termo de comparação com o comprar-e-segurar.
No gráfico acima, comparamos o buy-and-hold com uma estratégia ativa clássica de cruzamento de médias móveis, ao longo de quase uma década. O resultado é honesto: comprar e segurar rendeu cerca de 5.500%, contra 3.900% da estratégia ativa, e isso antes de descontar qualquer custo.
Porque há custos. Cada operação paga uma taxa; adotamos 10 pontos-base (0,10%) por negociação, valor de referência da literatura recente. Ao longo de 78 operações, essa fricção corrói ainda mais o resultado ativo, que cai para cerca de 3.640%. A distância entre a linha azul (sem custos) e a âmbar (com custos) no gráfico é, literalmente, o dinheiro que desaparece na execução.
Convém ser justo: isto não prova que estratégias ativas nunca funcionam. Prova algo mais modesto e mais útil: a comparação com o benchmark e a contabilização dos custos são obrigatórias antes de acreditar em qualquer promessa de retorno. Um número de rentabilidade exibido sem essas duas referências não é informação; é marketing.
O leitor que chegou até aqui dispõe de um ferramental importantíssimo para ler o mercado: a capacidade de separar análise de retórica com base em critérios explícitos.
Recapitulemos, então, o que foi apresentado ao longo do artigo. Um modelo de real credibilidade deve:
Reconhecer que o mercado transita entre regimes, de modo que uma relação válida em um período pode extinguir-se no seguinte.
Incorporar o risco de cauda às análises, refletindo a estrutura do mercado de criptoativos, em que eventos extremos não são anomalias.
Tratar a liquidez como uma restrição real.
Resistir ao overfitting, já que explicar o passado é trivial, e o problema está, justamente, em confundir memória com previsão.
Medir a estratégia contra o buy and hold ou outros benchmarks de mercado, incorporando os custos de transação.
Note-se o que essa enumeração não contém: promessa de acerto. Diante de qualquer projeção, a pergunta pertinente não é “quanto valerá o bitcoin?”, mas, de maneira mais criteriosa, “o que este modelo pressupõe sobre o mundo, e o que acontece quando essas premissas falham?”. Como observou o estatístico George Box, “todos os modelos estão errados, mas alguns são úteis”.
O ceticismo informado não se confunde com pessimismo, tampouco com a recusa de agir diante do futuro; é disciplina epistemológica. Significa reconhecer a previsão sistemática de preços como um problema difícil, para o qual as instituições do mercado contratam as mentes mais brilhantes e, ainda assim, erram com regularidade, mesmo operando em um nível milimétrico de granularidade estatística. Por isso, aqueles que oferecem certeza estão, em geral, vendendo outra coisa.
À luz do exposto, os modelos deixam de se comportar como oráculos e se mostram, enfim, como instrumentos de organização da incerteza.
Fontes:
Almeida & Gonçalves (2024) — Microestrutura de mercado cripto
Khuntia & Pattanayak (2018) — AMH no Bitcoin
Vukovic et al. (2026) — Eficiência variável no tempo
Regime-switching GARCH Bitcoin (2026)
Tese Lund — Eficiência do BTC (AMH, halving)
Economies / MDPI (2026) — Pré/pós-COVID
Stylized facts HF (2025), arXiv
GARCH caudas pesadas Bitcoin
Leverage effect & stylized facts (2020), arXiv
Volatilidade BTC GARCH (2019), arXiv
GJR-GARCH skewness/curtose (2022)
Bitcoin unchained (2022), Journal of Financial Markets
Amberdata — Ritmo da liquidez / ciclo de 24h
Amberdata — Como a liquidez funciona
S&P Global — Demografia de liquidez cripto
ML trading sob custos / walk-forward (2026), arXiv
Hudson & Urquhart (2021), Annals of Operations Research
Regras técnicas vs. buy-and-hold em 99 criptos (2024), Emerald
Simple technical trading rules BTC (2024)
Autores: Yan Dimitri Kruziski e Victor Hugo Braga.
Comments
Nothing yet. Say the first thing.
Sign in to join the conversation.