O interesse em bitcoin e altcoins: perspectiva acadêmica

Tecnologia de análise de redes sociais promete moldar o futuro das finanças

Apesar de não estar no seu pico de interesse, conforme o Google Trends, a bitcoin e as altcoins despertam interesse crescente entre investidores, especuladores e pesquisadores. Em termos de pesquisa acadêmica, esse interesse é evidente no Portal de Periódicos da Capes (Coordenação de Aperfeiçoamento de Pessoal de Nível Superior).

Em uma rápida consulta entre 2008 – ano da criação da bitcoin – e 2023, é possível encontrar 7.747 resultados. Ao incluir 2024, esse número aumenta para 9.308, indicando que mais de 20% das pesquisas com bitcoin foram publicadas em 2024 – e o ano ainda não terminou. Esse crescimento no número de publicações reflete o crescente interesse acadêmico e a importância contínua do tema no contexto da pesquisa científica e tecnológica.

A ascensão da bitcoin e de outras criptomoedas capturou a atenção do público e criou uma onda de pesquisas que buscam entender e prever seus comportamentos de mercado. Essa curiosidade acadêmica pode ser observada em diversas iniciativas que utilizam modelos de aprendizado de máquina, análise de sentimentos em redes sociais e técnicas de otimização de portfólio.

Recentemente, Kadhim et al. (2024) propuseram um modelo de previsão de preços de criptomoedas utilizando uma abordagem híbrida de deep learning. Esse modelo analisa a influência das mídias sociais no valor da bitcoin, utilizando dados on-chain – registrados no banco de dados público das criptomoedas – e informações do Twitter, entre 2014 e 2022.

Por meio de algoritmos como Twitter-RoBERTa e VADER para análise de sentimentos, combinados com uma rede neural LSTM (memória longa de curto prazo), o modelo conseguiu alcançar resultados interessantes na previsão de tendências de mercado. Essa pesquisa destaca como as emoções e percepções expressas nas redes sociais podem ter um impacto direto nos preços das criptomoedas, fornecendo informações importantes para traders e investidores.

Além disso, Jahanbin e Chahooki (2024) desenvolveram um modelo híbrido para análise de sentimentos em textos de redes sociais sobre criptomoedas, utilizando uma técnica conhecida como aprendizado por transferência. Esta técnica envolve a adaptação de um modelo neural, que foi previamente treinado em um grande volume de dados (o domínio de origem), para realizar tarefas em um novo domínio (o domínio de destino), muitas vezes com uma quantidade limitada de dados. Utilizando uma amostra de 25.000 tweets de influenciadores de criptomoedas entre novembro de 2021 e dezembro de 2022, o modelo alcançou uma precisão de 88% e uma taxa de perda de apenas 3%.

Este modelo híbrido emprega o BERT pré-treinado (aprendizado profundo), para extrair características linguísticas do domínio de origem e aplicá-las em uma rede neural implícita para análise no domínio de destino. O BERT, uma rede neural baseada em transformadores, é treinado em grandes volumes de dados para capturar uma série de padrões linguísticos. No modelo proposto, essas características pré-treinadas são transferidas para uma rede neural implícita, a qual é especialmente eficaz para lidar com dados contínuos e intermitentes, como textos, imagens e vídeos. A metodologia também inclui o uso de decaimento temporal para ajustar a taxa de aprendizado no algoritmo de otimização AdamW. O decaimento temporal permite que a taxa de aprendizado diminua gradualmente ao longo do tempo, otimizando o processo de treinamento e evitando ajustes excessivos. Essa combinação de técnicas avançadas de aprendizado profundo demonstra a eficácia do modelo em compreender as percepções do mercado.

Outro estudo relevante, realizado por Wang et al. (2024), investigou a otimização de portfólios durante crises globais utilizando centralidades de rede para selecionar ativos, incluindo criptomoedas. Centralidades de rede são métricas que medem a importância ou influência de um nó numa rede, neste caso, uma rede financeira composta por diferentes ativos. A pesquisa analisou 86 ativos de julho de 2017 a junho de 2023, sugerindo que centralidades específicas melhoram o desempenho dos portfólios.

Utilizando várias medidas de centralidade, os resultados indicaram que as centralidades de autovetor, híbrida e PageRank melhoram o desempenho dos portfólios, enquanto excentricidade e intermediação são inadequadas. As medidas de centralidade utilizadas incluem:

• Grau: mede o número de conexões diretas de um nó;
• Autovetor: considera não apenas as conexões diretas, mas também a importância dos nós conectados;
• Excentricidade: mede a maior distância entre um nó e qualquer outro nó na rede;
• Intermediação: avalia a frequência com que um nó aparece no caminho mais curto entre outros nós;
• PageRank: desenvolvida pelo Google, mede a importância de um nó com base na qualidade e quantidade das conexões;
• Centralidades híbridas: combinam várias medidas de centralidade para uma avaliação mais robusta.

A pesquisa sugere que, durante crises globais, ativos periféricos em redes inter mercado são mais adequados para investimento. Ativos periféricos são aqueles que têm menos conexões diretas e, portanto, são menos influenciados por flutuações sistêmicas. Isso destaca a importância de mercados emergentes menos expostos a choques externos e com mais estabilidade financeira.

Uma revisão bibliométrica conduzida por Carè e Cumming (2024) explorou as transformações no setor financeiro causadas pelos avanços tecnológicos e pela automação entre 1984 e 2022. Analisando 863 artigos, os autores identificaram uma trajetória ascendente consistente em pesquisas focadas em tecnologias de trading rápido e estratégias algorítmicas.

A pesquisa destacou tendências emergentes em criptomoedas e machine learning, que continuarão a moldar as futuras direções de pesquisa. Em termos de criptomoedas, observou-se um crescente interesse no desenvolvimento de modelos de previsão de preços e na análise de sentimentos. Quanto ao machine learning, as áreas de maior destaque incluem otimizar estratégias de trading e integrar técnicas de aprendizado profundo em sistemas de negociação.

A crescente integração de tecnologias avançadas, como machine learning e análise de redes sociais, promete moldar o futuro das finanças. Pesquisas como as destacadas promovem avanços no conhecimento acadêmico e fornecem ferramentas para traders, investidores e reguladores. A segurança cibernética também desempenhará um papel importante na proteção dos mercados financeiros contra ameaças crescentes. Em última análise, a colaboração interdisciplinar e a inovação contínua serão essenciais para navegar pelos desafios e aproveitar as oportunidades em um mercado dinâmico.

O interesse crescente em bitcoin e outras criptomoedas, tanto no mercado quanto na academia, reflete a transformação contínua do setor financeiro impulsionada por inovações tecnológicas. As pesquisas ilustram a diversidade de abordagens e metodologias utilizadas para entender e prever o comportamento das criptomoedas, desde os modelos híbridos de deep learning para previsão de preços até as análises de sentimento e a otimização de portfólios. Essas investigações contribuem para o avanço do conhecimento acadêmico e fornecem ferramentas sólidas para traders, investidores e reguladores nas tomadas de decisão.