As previsões de preço do Bitcoin utilizam modelos de escassez, métricas on-chain, leis de potência e inteligência artificial. Contudo, grande parte da pesquisa acadêmica não supera referências simples fora do período usado no desenvolvimento. O problema aparece principalmente quando os testes abrangem diferentes condições de mercado.

Essas referências usam apenas informações já disponíveis. Por exemplo, um modelo pode repetir o preço atual, estimar retorno zero ou assumir um passeio aleatório. Portanto, elas ajudam a medir se uma abordagem sofisticada realmente acrescenta informação útil.

Previsões simples desafiam modelos de Bitcoin

Uma pré-publicação de maio de 2026, assinada por Carlos Baquero, da Universidade do Porto, revisou pesquisas sobre previsões do Bitcoin. O autor selecionou 23 trabalhos entre centenas de estudos disponíveis. Segundo a revisão, nenhum demonstrou vantagem duradoura sobre uma referência ingênua adequada em horizontes de um a seis meses. Ainda assim, o trabalho aguarda avaliação por pares.

Baquero considerou os métodos, a influência dos estudos e a existência de avaliações genuínas fora da amostra. Nesse contexto, a revisão defende critérios mais rigorosos para sustentar alegações de capacidade preditiva. Uma fórmula capaz de descrever a trajetória histórica não indica necessariamente a direção do dia seguinte.

Previsões de fluxo de ordens e retornos diários representam outra tarefa. Algumas apresentaram valor preditivo real no curto prazo. Porém, discussões online frequentemente confundem esses resultados com projeções de preço de longo prazo e modelos de avaliação.

Por que o preço atual é um rival difícil

Referências ingênuas funcionam porque os preços financeiros apresentam forte persistência. Se o Bitcoin vale US$ 100.000, prever US$ 100.100 para o dia seguinte pode gerar um erro percentual pequeno. Mesmo assim, o modelo talvez não tenha aprendido quase nada sobre direção ou retorno.

Na prática, o preço atual teria desempenho semelhante nesse exemplo. Por isso, avaliar apenas o modelo complexo atribui a ele uma informação que o mercado já forneceu. O teste se torna mais exigente em períodos longos, pois o Bitcoin pode oscilar intensamente durante um mês.

Ao mesmo tempo, as relações aprendidas podem enfraquecer conforme o mercado muda. Uma regra calibrada para o ciclo de varejo de 2017 encontrou outra estrutura de derivativos em 2021. Já os ETFs de Bitcoin à vista criaram uma nova rota para capital e formação de preços em 2024.

Esse fenômeno recebe o nome de não estacionariedade. Ele ocorre quando as relações entre variáveis deixam de permanecer estáveis por tempo suficiente. Dessa forma, mudanças em liquidez, regulação, acesso e perfil dos participantes reduzem a utilidade dos dados antigos.

Sofisticação não garante melhor desempenho

Francesco Puoti, Fabrizio Pittorino e Manuel Roveri chegaram a resultado semelhante em um estudo comparativo. Os pesquisadores aplicaram 12 abordagens a cinco grandes criptomoedas. Os testes abrangeram horizontes de um, sete e 30 dias.

Modelos simples superaram consistentemente ARIMA, Prophet, random forests, XGBoost, redes LSTM e N-BEATS. Entretanto, o resultado reflete mais a informação disponível do que a qualidade de cada técnica. Métodos complexos agregam valor quando encontram padrões estáveis, mas podem memorizar ruídos temporários.

O Bitcoin oferece grande quantidade de dados, embora tenha atravessado poucos ciclos independentes. Milhões de registros de minuto repetem observações do mesmo mercado de baixa de 2018 ou do choque de liquidez de 2020. Logo, um volume maior de registros não representa necessariamente mais evidências independentes.

Sobreajuste favorece resultados históricos

Muitos modelos parecem fortes depois que seus criadores observam todo o período histórico utilizado na construção. Pesquisadores podem testar diferentes variáveis, janelas, datas iniciais e arquiteturas. Em seguida, podem divulgar apenas a combinação com melhor desempenho.

O vencedor pode ter encontrado uma relação duradoura. Por outro lado, também pode ter vencido uma grande loteria estatística aplicada ao mesmo histórico. Esse problema é conhecido como sobreajuste de backtest.

David Bailey e coautores formalizaram a probabilidade de sobreajuste em backtests. Quanto mais variações um pesquisador testa, maior fica a chance de obter um resultado excelente por acaso. Assim, apresentar somente o vencedor esconde as tentativas fracassadas que permitiram sua seleção.

Uma única divisão cronológica oferece pouca proteção. Treinar um modelo até 2020 e avaliá-lo em 2021 parece um teste fora da amostra. No entanto, o resultado pode depender excessivamente daquele mercado de alta.

Testes contínuos expõem fragilidades

A avaliação walk-forward oferece um teste mais robusto. Nela, o modelo treina repetidamente com dados passados e prevê o período seguinte ainda não observado. Desse modo, janelas não sobrepostas obrigam o método a enfrentar altas, quedas, lateralizações e diferentes condições de liquidez.

Entre os trabalhos revisados por Baquero, nenhum testou a mesma abordagem em várias janelas não sobrepostas e diferentes regimes. Os estudos mais fortes usaram avaliações rolantes ou walk-forward em um único período contínuo. Todavia, um erro agregado ainda pode esconder fracassos em trechos específicos.

O vazamento de informações também cria confiança falsa. Uma variável calculada com dados futuros oferece ao modelo uma visão parcial da resposta. O problema também surge ao normalizar variáveis em toda a amostra ou usar janelas de retorno sobrepostas.

Métricas podem esconder operações erradas

Arquiteturas complexas inserem várias transformações entre os dados brutos e a previsão. Consequentemente, torna-se difícil identificar o ponto exato no qual uma informação futura entrou no processo. Esse tipo de erro pode até sobreviver à revisão por pares.

A métrica escolhida também pode favorecer o modelo. Uma alegação de 99% de precisão talvez indique apenas que o nível previsto acompanha uma série persistente. Entretanto, traders precisam considerar direção, magnitude do movimento e custos de negociação.

Imagine uma previsão de US$ 100.500 quando o Bitcoin cai de US$ 100.000 para US$ 99.500. Embora o erro de preço pareça pequeno, o modelo indicou a operação errada. Portanto, precisão estatística não garante utilidade econômica.

Modelos de avaliação enfrentam novos dados

Os modelos de avaliação mais conhecidos simplificam um mercado complexo por meio de explicações intuitivas. O stock-to-flow relaciona valor e escassez, enquanto cada halving reduz a nova oferta diante do estoque existente. Já abordagens inspiradas na Lei de Metcalfe associam o valor da rede ao crescimento de usuários.

Modelos de lei de potência sustentam que a trajetória do Bitcoin segue uma relação matemática entre preço e tempo. Essas hipóteses possuem intuição econômica plausível. Contudo, sua utilidade preditiva depende do desempenho diante de dados ainda não observados.

Uma análise revisada por pares de Alexander Shelton, publicada em 2024, avaliou variáveis de stock-to-flow e Metcalfe. Elas ajudaram a explicar retornos dentro da amostra, mas mostraram capacidade limitada ou nula fora dela. Quando a regressão incluiu efeitos temporais, a força estatística do stock-to-flow desapareceu.

A oferta do Bitcoin cresce conforme um cronograma predeterminado, enquanto o preço avançou durante boa parte de sua história. Assim, duas séries relacionadas ao tempo podem parecer economicamente conectadas. O gráfico da CoinGlass compara o preço com o stock-to-flow e mostra os desvios acumulados pelo modelo.

Metcalfe e lei de potência exigem cautela

A Lei de Metcalfe enfrenta um problema semelhante de identificação. Atividade e preço podem subir juntos porque a adoção aumenta o valor ou porque preços elevados atraem usuários. Também existe a possibilidade de ambas as variáveis seguirem uma tendência temporal comum.

Savva Shanaev e coautores analisaram custos de mineração, atividade de rede e valor em seis sistemas de prova de trabalho. Após controlar autocorrelação e a relação de mão dupla entre atividade e preço, os efeitos positivos desapareceram. Para isso, o estudo utilizou variáveis instrumentais.

Os modelos de lei de potência ocupam uma posição mais complexa. Seus corredores capturaram grande parte da trajetória histórica e oferecem uma referência visual de longo prazo. Apesar disso, a estrutura criada pelos ETFs de Bitcoin pode alterar as forças que movimentam o preço dentro dessas faixas.

Um R-quadrado elevado em escala logarítmica mostra apenas que uma linha se ajusta à amostra observada. Para validar uma lei de potência, os pesquisadores também precisam avaliar resíduos e comparar funções temporais alternativas. O gráfico da Bitbo apresenta faixas logarítmicas de suporte, resistência e regressão projetadas até 2040.

Referências transparentes fortalecem os testes

A revisão de Baquero afirma que a literatura sobre a lei de potência ainda não concluiu todas essas etapas. Os estudos precisam testar sensibilidade à data inicial e desempenho com observações futuras. Além do mais, os resultados devem aparecer separados por regime de mercado.

Custos de negociação devem integrar as avaliações, enquanto código e dados públicos facilitam a reprodução. Os pesquisadores também precisam informar quantas variações testaram. Afinal, esse número determina quanto o backtest vencedor realmente surpreende.

Narrativas de avaliação devem permanecer separadas de previsões pontuais. Os intervalos reportados precisam refletir a incerteza do Bitcoin. Em determinadas situações, o modelo deve aceitar que o preço atual representa sua melhor previsão.