Otimização de portfólio em criptoativos utilizando machine learning

Abstract

A otimização de portfólios em criptoativos é um desafio significativo devido à alta volatilidade e à imprevisibilidade desse mercado. Este trabalho propõe a aplicação de técnicas de Machine Learning, especificamente o Reinforcement Learning (Aprendizado por Reforço), para otimizar a alocação de recursos em um portfólio composto por cinco criptomoedas de grande capitalização: Bitcoin (BTC), Ethereum (ETH), Binance Coin (BNB), Ripple (XRP) e Solana (SOL). O objetivo principal foi desenvolver um modelo adaptativo capaz de maximizar o retorno ajustado ao risco em diferentes cenários de mercado: Bear Market (mercado em baixa), Sideways Market (mercado lateralizado) e Bull Market (mercado em alta). A metodologia envolveu a coleta e pré-processamento de dados históricos diários de preços e volumes das criptomoedas, a implementação do modelo de Reinforcement Learning em Python utilizando a biblioteca Stable-Baselines3, e a comparação do desempenho do modelo com estratégias tradicionais, como alocação estática e concentração em um único ativo. Os resultados demonstraram que o modelo de Reinforcement Learning superou as estratégias tradicionais no Bull Market, com um retorno acumulado de 73,26%, mas enfrentou dificuldades no Bear Market e no Sideways Market, onde não conseguiu superar a alocação estática. Conclui-se que o modelo é eficaz em mercados de alta, mas requer ajustes para melhorar seu desempenho em cenários adversos. O trabalho contribui para a literatura ao explorar a aplicação de técnicas avançadas de Machine Learning na gestão de portfólios de criptoativos, oferecendo insights práticos para investidores e sugerindo caminhos para futuras pesquisas.

Portfolio optimization in cryptoassets is a significant challenge due to the high volatility and unpredictability of this market. This work proposes the application of Machine Learning techniques, specifically Reinforcement Learning (RL), to optimize resource allocation in a portfolio composed of five high-capitalization cryptocurrencies: Bitcoin (BTC), Ethereum (ETH), Binance Coin (BNB), Ripple (XRP), and Solana (SOL). The main objective was to develop an adaptive model capable of maximizing risk-adjusted returns in different market scenarios: Bear Market (downtrend), Sideways Market (stability), and Bull Market (uptrend). The methodology involved the collection and preprocessing of historical daily price and volume data of the cryptocurrencies, the implementation of the Reinforcement Learning model in Python using the Stable-Baselines3 library, and the comparison of the model's performance with traditional strategies, such as static allocation and concentration in a single asset. The results showed that the Reinforcement Learning model outperformed traditional strategies in the Bull Market, with a cumulative return of 73.26%, but faced challenges in the Bear Market and Sideways Market, where it could not surpass the static allocation strategy. It is concluded that the model is effective in bullish markets but requires adjustments to improve its performance in adverse scenarios. The work contributes to the literature by exploring the application of advanced Machine Learning techniques in cryptoasset portfolio management, offering practical insights for investors and suggesting paths for future research.