Bitcoin Price Prediction using Machine Learning and Combinatorial Fusion Analysis

Este artigo propõe a aplicação da Análise de Fusão Combinatória (CFA) para prever o preço do Bitcoin, demonstrando que a combinação de diversos modelos de aprendizado de máquina por meio de funções de características de pontuação e classificação supera significativamente os modelos individuais e outros métodos existentes, alcançando um erro médio percentual (MAPE) de 0,19%.

O essencial

Imagine que tentar prever o preço do Bitcoin é como tentar adivinhar o clima de amanhã em uma cidade onde o tempo muda a cada 5 minutos. Alguns especialistas dizem "vai chover", outros "vai fazer sol", e alguns dizem "vai nevar". Se você seguir apenas um, pode se molhar ou ficar com frio.

Este artigo apresenta uma solução inteligente para esse problema: em vez de escolher um único "profeta" (um modelo de inteligência artificial), os autores criaram um comitê de especialistas e usaram uma técnica mágica chamada Análise de Fusão Combinatória (CFA) para fazer o grupo chegar a uma decisão muito mais precisa.

Aqui está a explicação passo a passo, usando analogias do dia a dia:

1. O Problema: O Bitcoin é Volátil

O Bitcoin é como um cavalo selvagem. Ele corre muito rápido, sobe e desce de valor de forma imprevisível. Tentar prever seu preço é difícil porque ele é influenciado por muitas coisas: o preço do ouro, a força do dólar, o preço das ações da Tesla, a energia usada pelos mineradores e até o humor do mercado.

2. A Solução: O "Time de Sonho" (Modelos Base)

Os pesquisadores não confiaram em apenas um método. Eles reuniram 5 especialistas diferentes (modelos de aprendizado de máquina), cada um com sua própria personalidade e ponto forte:

• SVM, Random Forest, XGBoost, CNN e LSTM: Pense neles como cinco detetives. Um é ótimo em encontrar padrões em imagens (CNN), outro é especialista em lembrar de coisas que aconteceram há muito tempo (LSTM), e outro é mestre em tomar decisões baseadas em árvores de lógica (Random Forest).
• O que eles fazem: Cada um olha para os dados (preço do ouro, ações, etc.) e faz uma previsão. Mas, como todo ser humano (ou robô), eles cometem erros. Às vezes o Detetive A acerta, mas o Detetive B erra feio.

3. A Magia: A "Fusão Combinatória" (CFA)

Aqui entra a parte genial do artigo. Em vez de apenas fazer a média simples das previsões (o que seria como pedir para 5 pessoas votarem e pegar a maioria), eles usaram a Análise de Fusão Combinatória (CFA).

A Analogia do "Ranking vs. Pontuação":
Imagine que os 5 detetives estão tentando adivinhar o preço do Bitcoin para amanhã.

• Método Tradicional: Eles dão um número exato (ex: "Será $60.000").
• Método CFA: Eles não dão apenas um número. Eles criam uma faixa de possibilidades (uma distribuição normal). É como se dissessem: "Acho que vai ficar entre $58.000 e $62.000, mas é mais provável que seja perto de $60.000".

Depois, o sistema CFA faz duas coisas incríveis:

1. Mede a Diversidade Cognitiva: Ele verifica o quão diferentes os detetives são. Se todos pensam igual, não vale a pena juntá-los. Mas se um é pessimista e outro é otimista, e um olha para o curto prazo e outro para o longo prazo, eles se complementam perfeitamente.
2. Combina de Várias Maneiras: O sistema testa milhões de combinações. Ele junta pares, trios, quartetos e até todos os cinco juntos. Ele testa: "O que acontece se eu der mais peso ao Detetive que está mais diverso?" ou "O que acontece se eu apenas somar as pontuações de todos?".

4. O Resultado: O "Oráculo" Perfeito

Ao combinar todas essas previsões de formas inteligentes, o sistema consegue filtrar o "ruído" (os erros individuais) e encontrar o sinal verdadeiro.

• O Desempenho: Os modelos individuais erraram bastante (alguns erraram mais de 4% do valor real).
• O Time Unificado: O modelo combinado (o "Time de Sonho") reduziu o erro para apenas 0,19%.
• Comparação: É como se, em uma corrida de 100 metros, os corredores individuais fizessem 12 segundos, mas quando eles correm juntos em um trenó mágico (a fusão), eles fazem 10,8 segundos. Eles superaram até os melhores métodos usados em outros estudos recentes.

5. Por que isso é importante?

A maioria das pessoas acha que prever o preço do Bitcoin é impossível ou que uma única "Inteligência Artificial Superpoderosa" vai resolver tudo. Este artigo mostra que a resposta não é um único super-robô, mas sim a sabedoria das multidões.

Ao misturar diferentes pontos de vista (diversidade) e usar matemática avançada para pesar quem está certo em qual momento, conseguimos prever o futuro com muito mais precisão do que qualquer um de nós sozinho.

Resumo em uma frase:
Os autores pegaram 5 "gênios" de inteligência artificial, cada um com um estilo diferente de pensar, e usaram uma técnica matemática para fazê-los trabalhar juntos como um time coeso, resultando na previsão de preço de Bitcoin mais precisa já registrada, errando menos de 1% do valor real.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "Bitcoin Price Prediction using Machine Learning and Combinatorial Fusion Analysis", apresentado em português:

Resumo Técnico: Previsão de Preço de Bitcoin usando Análise de Fusão Combinatória

1. Problema e Contexto

A volatilidade extrema do Bitcoin torna difícil sua utilização como moeda estável, mas cria oportunidades significativas para previsão de preços e gestão de portfólio. A previsão de preços de produtos financeiros é um desafio complexo, pois modelos de aprendizado de máquina individuais possuem forças e fraquezas distintas, limitando a robustez e a precisão das previsões. O objetivo deste trabalho é superar as limitações de modelos isolados aplicando uma nova paradigma de fusão de modelos, a Análise de Fusão Combinatória (CFA), para prever o preço do Bitcoin no dia seguinte com maior precisão e confiabilidade.

2. Metodologia

A abordagem proposta segue um fluxo de trabalho em quatro fases, integrando preparação de dados, modelos base, geração de distribuições e fusão combinatória.

• A. Preparação de Dados:

  • Período: Os dados cobrem de 11 de março de 2020 a 9 de março de 2024, focando no período pós-início da pandemia para capturar tendências relevantes.
  • Divisão: 80% para treinamento e 20% para teste.
  • Atributos (Features): Além do preço histórico do Bitcoin, o modelo utiliza:
    • Criptomoedas e Ativos: Preço do Ethereum (ETH), Ouro, Hashrate (poder de mineração).
    • Indicadores de Mercado: S&P 500, Índice VIX (incerteza), Rendimento de Títulos dos EUA, Força do Dólar.
    • Ações Tecnológicas: Preço da Nvidia (demanda por hardware ASIC) e Tesla (influência de Elon Musk).
    • Indicadores Técnicos: Média Móvel Exponencial (EMA) e MACD.
  • Pré-processamento: Normalização dos dados para o intervalo [0, 1] e preenchimento de valores ausentes (comum em dados diários vs. dados de hash rate atualizados a cada 3 dias) usando o método forward-fill.

• B. Modelos Base (5 Algoritmos):
  Foram selecionados cinco modelos diversos para garantir "diversidade cognitiva":

  1. SVM (Máquinas de Vetor de Suporte): Para classificação e regressão.
  2. Random Forest (Floresta Aleatória): Ensemble de árvores de decisão.
  3. XGBoost: Gradiente de Boosting escalável.
  4. CNN (Redes Neurais Convolucionais): Para detecção de padrões localizados.
  5. LSTM (Memória de Curto e Longo Prazo): Para capturar dependências temporais em séries temporais.

• C. Abordagem Inovadora: Distribuições de Preço:
  Diferente dos modelos tradicionais que preveem um único valor determinístico, este método gera uma distribuição normal para cada previsão diária.

  • A média da distribuição é o preço previsto pelo modelo.
  • O desvio padrão é derivado do conjunto de teste original (assumindo estabilidade na variabilidade do modelo).
  • As distribuições são truncadas em dois desvios padrão (cobrindo ~95% da faixa de preços possível).

• D. Análise de Fusão Combinatória (CFA):
  A CFA combina os sistemas de pontuação dos cinco modelos utilizando:

  1. Função de Característica Rank-Score (RSC): Mapeia a relação entre pontuações e ranks.
  2. Diversidade Cognitiva (CD): Mede a dissimilaridade entre os modelos baseada na área entre suas funções RSC.
  3. Estratégias de Combinação:
     • Combinação de Pontuação (Score) e Rank.
     • Combinação Média (Average) vs. Combinação Ponderada (Weighted) pela força da diversidade cognitiva.
  • Foram gerados 26 grupos únicos de combinações (subconjuntos de 2 a 5 modelos) aplicados a 4 estratégias, totalizando 104 modelos combinados. O preço final é o valor com a maior probabilidade dentro da faixa combinada.

3. Resultados Principais

Os modelos foram avaliados usando RMSE (Erro Quadrático Médio Raiz) e MAPE (Erro Porcentual Absoluto Médio).

• Desempenho Individual vs. Combinado:
  • Os modelos base individuais apresentaram MAPE variando de 1,20% a 4,91%.
  • O modelo combinado com melhor desempenho (Combinação Média de Pontuação - AC SC) alcançou um MAPE de 0,19%.
  • O RMSE do melhor modelo combinado foi de 175,22, uma melhoria drástica em relação ao melhor modelo individual (738,21).
• Comparação com o Estado da Arte:
  • O MAPE de 0,19% superou significativamente estudos anteriores citados, que variaram de 0,245% a 4,49% (incluindo modelos complexos como VMD-AGRU-RESVMD-LSTM com MAPE de 0,394%).
  • A estratégia de combinação ponderada por diversidade cognitiva mostrou-se robusta, melhorando a previsão em 258 dias de um total de 292 dias de teste.
• Observação sobre Estratégias: Embora as combinações baseadas em Rank tenham melhorado a previsão em mais dias, as combinações baseadas em Pontuação (Score) entregaram maior precisão numérica (menor RMSE e MAPE).

4. Contribuições Chave

1. Aplicação Pioneira da CFA no Bitcoin: É o primeiro estudo a aplicar a Análise de Fusão Combinatória para prever o preço diário do Bitcoin.
2. Mudança de Paradigma (Determinístico para Probabilístico): A transição da previsão de um único ponto para a geração de distribuições de probabilidade, permitindo uma fusão mais rica de informações.
3. Superioridade de Fusão: Demonstração empírica de que a fusão de modelos diversos (LSTM, CNN, SVM, etc.) via CFA supera tanto os modelos individuais quanto as técnicas de ensemble tradicionais em métricas de erro.
4. Robustez: O método demonstrou consistência ao longo de um período de mercado volátil (incluindo a pandemia e a alta de 2024).

5. Significado e Conclusão

O artigo valida que a Análise de Fusão Combinatória é uma ferramenta poderosa para a previsão de séries temporais financeiras complexas. Ao explorar a diversidade cognitiva entre modelos heterogêneos e combinar suas distribuições de probabilidade, é possível ultrapassar os limites de precisão dos modelos de aprendizado de máquina convencionais.

O MAPE de 0,19% representa um avanço significativo na precisão de previsão, oferecendo uma ferramenta mais confiável para investidores e instituições financeiras. Como trabalho futuro, os autores sugerem a incorporação de análise de sentimentos (para capturar influências de políticas e opinião pública) e o uso de conjuntos de validação separados para calcular o desvio padrão, evitando vazamento de dados (data leakage).