Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.211
Aluno: Matheus Dias Maciel
Orientador: Prof. Daniel Carvalho da Cunha
Título: Evaluating Technical Analysis Indicators as Machine-Learning Features in Cryptocurrency Trading Strategies
Data: 24/07/2025
Hora/Local: 13h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Paulo Salgado Gomes de Mattos Neto (UFPE / Centro de Informática)
Prof. Eraylson Galdino da Silva (UPE / Escola Politécnica de Pernambuco)
Prof. Daniel Carvalho da Cunha (UFPE / Centro de Informática)
RESUMO:
Esta dissertação examina o papel dos indicadores de análise técnica (AT) como variáveis engenheiradas em pipelines de machine learning financeiro para desenvolvimento de estratégias de trading, contrastando seu desempenho com modelos que se baseiam exclusivamente em dados brutos de mercado (candles e informações de order book). O trabalho está estruturado conforme o seguinte sumário: o Capítulo 1 apresenta objetivos, hipóteses e revisão bibliográfica; o Capítulo 2 aborda mercados, instrumentos cripto, métodos de AT, paradigmas de ML e desafios de séries temporais; o Capítulo 3 detalha fontes de dados, pré-processamento (retornos logarítmicos, transformação de Yeo–Johnson), construção de variáveis (brutas vs AT) e o fluxo experimental; o Capítulo 4 descreve o desenvolvimento e a seleção de modelos e identifica o melhor pipeline de classificação com AT; o Capítulo 5 converte as previsões do modelo em regras de trading, implementa backtests (divisão de dados, testes walk-forward, modelagem de custos e slippage, otimização de parâmetros) e avalia o desempenho da estratégia; e o Capítulo 6 discute os principais achados, limitações e direções futuras. O conjunto de dados deste estudo é composto pelas criptomoedas de maior capitalização de mercado, garantindo uma avaliação robusta em condições voláteis. Os experimentos demonstram que os indicadores de AT melhoram a acurácia de classificação fora da amostra e promovem um agrupamento mais coeso dos regimes de mercado. Além disso, verificou-se que os dados permitem gerar alfas em backtests sem custos que superam as linhas de base com variáveis brutas. Contudo, quando são incorporados custos de transação realistas e slippage, esses retornos excedentes desaparecem, evidenciando consistência com a Hipótese de Mercado Eficiente em sua forma fraca. Nossos resultados sugerem que, embora as variáveis de AT possam aprimorar o aprendizado do modelo, elas não se traduzem em lucros de trading persistentes após custos, oferecendo insights críticos para pesquisadores e profissionais que visam desenvolver estratégias de engenharia de variáveis em mercados cripto voláteis.
Palavras-chave: Aprendizagem de Máquina; Análise Técnica; Criptomoedas; Trading algoritmico; Hipótese do mercado eficiente;
Comentários desativados