Estudo Revela a Eficácia de Modelos de Deep Learning na Previsão de Preços do Bitcoin

Autores do artigo original: Catherine Ngo, Orson Chi, Yeong Nain Chi

Um estudo conduzido por pesquisadores da University of Maryland Eastern Shore avaliou seis arquiteuras de deep learning para a previsão diária de preços do Bitcoin. Os resultados indicaram que o modelo Gated Recurrent Unit (GRU) se destacou ao apresentar a melhor performance fora da amostra. Com um coeficiente de determinação de 0,9138 e um erro quadrático médio de USD 4.911, o GRU provou ser mais eficaz do que outros modelos como LSTM e Transformer.

Por Catherine Ngo, Orson Chi e Yeong Nain Chi, University of Maryland Eastern Shore — Princess Anne, Maryland, Estados Unidos

Publicado em 19-09-2026 • Atualizado em 23/09/2026, 14:11:16

O estudo analisou dados entre janeiro de 2020 e março de 2026, contextualizado por diversos regimes de mercado que o Bitcoin experimentou nesse período. Utilizando 2.283 observações, os modelos foram treinados em um pipeline padronizado que inclui perdas de Huber e otimização Adam para mitigar vazamento de dados.

Desempenho do Modelo GRU

Comparado a outras arquiteturas, o GRU obteve métricas significativamente superiores de previsão, demonstrando uma capacidade elevada de generalização em mercados voláteis. O mecanismo de retenção seletiva do GRU, que permite a retenção e atenuação de informações históricas, mostrou-se eficaz para capturar dinâmicas de regimes dependentes em mercados de criptomoedas voláteis.

Comparações de Arquiteturas

Enquanto o GRU se destacou, outros modelos, como o Transformer e o LSTM, apresentaram desempenho inferior. O Transformer teve um R2 de 0,4942, enquanto o LSTM obteve 0,4415. Modelos como TCN, CNN e RNN mostraram desempenho ainda mais fraco, com valores negativos de R2, indicando performance inferior à previsão média.

Implicações para Previsão de Mercados

Os resultados sugerem que o GRU é uma escolha superior para previsões de magnitude no mercado de criptomoedas. No entanto, a precisão direcional de cerca de 50% entre todos os modelos estudados indica que a previsão de direção de preços do Bitcoin em curto prazo continua sendo um desafio. Isso reforça a necessidade de estratégias mais refinadas e possivelmente um uso combinado de múltiplos modelos para melhor previsão dos preços.

Futuras Direções de Pesquisa

Future pesquisas podem se beneficiar investigando arquiteturas híbridas que combinam a memória do GRU com atenção global, além de contemplar dados alternativos, como métricas on-chain e sinais macroeconômicos. Extensões para frequências mais altas, como horários e minutos, também podem capturar melhor a dinâmica intradiária de volatilidade.

O papel deste estudo é claro: estabelecer uma referência para o uso de modelos de deep learning na previsão de preços do Bitcoin, oferecendo insights valiosos para a seleção de modelos e melhorando a eficácia das estratégias de negociação em mercados de criptomoedas.

Ler o artigo científico original

Revisado e aprovado por lss.duda antes da publicação.