Técnicas de IA e Machine Learning para previsão de preços para criptoativos
Inteligência Artificial e Machine Learning ainda enfrentam desafios para previsão de preços no ‘jovem’ mercado cripto
O desenvolvimento e adoção de práticas e técnicas de Inteligência Artificial (IA) e Machine Learning (ML) para previsão de preços para ativos financeiros, se tornou uma interessante ferramenta para gestores de grandes fundos de ações e outros ativos.
Contudo, tal prática tem sido timidamente tentada para criptoativos sem grandes avanços, devido a vários fatores técnicos, sobretudo por conta da quantidade limitada de dados históricos para treinar os modelos de predição e devido à grande volatilidade dos seus preços.
Nos mercados de capitais tradicionais, vimos uma explosão na implementação de modelos quantitativos baseados em aprendizado de máquina e o corpo de pesquisa no espaço está crescendo exponencialmente.
Porém, o mesmo avanço não tem sido sentido para aplicação às criptomoedas. Os fundos Quantitativos (Quant) como são conhecidos estão mais afeitos ao uso de IA e ML, permanecem restritos a técnicas relativamente simples, como arbitragem estatística (uma estratégia de negociação de pares que procura explorar as ineficiências do mercado em um par de negociação), e ainda não vimos o surgimento de grandes mesas quant dominantes no mercado, conforme destacou o cientista-chefe e CTO da IntoTheBlock, Jesus Rodriguez em estudo publicado no Medium.
Os criptoativos permanecem quase inexplorados nesse segmento como dissemos devido a sua volatilidade e história recente.
Fundos como o TwoSigma e o WorldQuant estão ativamente promovendo pesquisas de aprendizado profundo (DeepLearning) e incorporando ideias que saem dos laboratórios de IA de gigantes da tecnologia como Google, Microsoft ou Facebook.
No entanto, no mundo da criptografia, a maioria das estratégias quantitativas ainda depende de paradigmas de aprendizado de máquina muito básicos, como regressão linear ou árvores de decisão (tree decision).
Sobre as dificuldades em se realizar predições para criptoativos
As criptomoedas são caracterizadas ao longo do tempo por várias métricas, como preço, a taxa de câmbio, determinada pela dinâmica da oferta e da demanda; capitalização de mercado pelo volume em circulação; participação de mercado e capitalização de mercado total; classificação da moeda com base em sua capitalização de mercado; volume e moedas negociadas nas últimas 24 horas; além de idade e vida útil da moeda.
Sobre as técnica que estão dando algum resultado
Diversos estudiosos e casas de análise estão usando uma técnica conhecida como Long short-term memory (LSTM) para Machine Learning. A LSTM combina processamento de linguagem natural, análise de sentimento e algoritmos de aprendizado de máquina para prever preços das criptomoedas. Essa técnica processa grandes quantidades de dados e informa em quais criptomoedas investir e tenta maximizar seus retornos.
Casas de análises como Nomics, Fundstrat, Glassnode, a extinta Tokenalyst e a IntoTheBlock estão desenvolvendo eficientes pesquisas utilizando-se desses modelos preditivos baseados em LSTM em detrimento das anteriores técnicas de predição de preços conhecidas e mais utilizadas, como pode se ver na imagem abaixo.
Imagem: Jesus Rodriguez
Os LSTMs são projetados explicitamente para evitar o problema de dependência de longo prazo. Lembrar-se de informações por longos períodos de tempo é praticamente seu comportamento padrão. Algoritmos baseados em LSTM funcionam muito bem em uma grande variedade de problemas e por isso têm sido usados para construção de redes neurais profundas para aplicação de predição de preços para criptoativos e uma infinidade de ativos financeiros tradicionais.
Para Nick Gauthier, cientista-chefe da Nomics, a eficácia dos modelos de LSTM para predição ainda apresentam grande quantidade de erros e precisa-se de mais tempo para se estabelecer essa técnica como padrão.
“Os LSTMs são relativamente novos no espaço de aprendizado de máquina, e os dados financeiros são notoriamente difíceis de prever, mas fomos capazes de obter previsões bastante razoáveis e somos totalmente transparentes sobre sua precisão histórica.”
LEIA MAIS
