💻 computer science

Time Series Forecasting based on Solana Digital Asset Dataset

Este artigo apresenta o primeiro conjunto de dados abrangente de séries temporais de ativos digitais da Solana abrangendo de março de 2024 a março de 2025, utilizando-o para caracterizar a dinâmica de mercado em todo o ecossistema impulsionada pela atividade de DEX e pelo preço de SOL, enquanto valida sua utilidade preditiva por meio de modelos de previsão de última geração como o PatchTST.

Autores originais: Yufeng Xiao, Minxing Wang, Pavel Braslavski, Dmitry I. Ignatov

Publicado 2026-08-21

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Yufeng Xiao, Minxing Wang, Pavel Braslavski, Dmitry I. Ignatov

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Na vasta economia digital das criptomoedas, o valor não se move através de bancos ou cofres, mas através de livros contábeis públicos que registram cada transação com precisão temporal. Este mundo é dominado por dois tipos distintos de atividade: a negociação de ativos principais em corretoras centralizadas, que funcionam como mercados de ações tradicionais, e a negociação frenética e descentralizada que ocorre diretamente nas redes blockchain. Uma dessas redes, a Solana, emergiu como uma rodovia de alta velocidade para esses ativos digitais, capaz de processar milhares de transações por segundo com custo mínimo. Ao contrário de sistemas mais antigos onde os dados podem ser opacos ou atrasados, a arquitetura da Solana deixa um rastro completo e com carimbo de tempo de toda a jornada de um token, desde a sua criação até a sua troca final. Compreender como esses tokens digitais sobem e descem em valor é um desafio que há muito intriga os analistas, em grande parte porque o mercado é impulsionado por uma mistura caótica de comportamento de traders individuais, eventos de notícias repentinos e a própria saúde da rede. A questão que os pesquisadores há muito questionam é se é possível prever o preço futuro desses ativos observando os padrões da rede que eles habitam, em vez de apenas o histórico do próprio ativo.

Uma equipe de pesquisadores deu um passo significativo para responder a isso ao construir o primeiro conjunto de dados abrangente projetado especificamente para rastrear a vida diária dos tokens da Solana. Eles reuniram informações sobre 1.584 tokens diferentes, observando-os diariamente de março de 2024 a março de 2025. Esta coleção não é meramente uma lista de preços; é uma rica tapeçaria de 27 variáveis diferentes para cada token, incluindo quantas pessoas estão comprando ou vendendo, o volume total de negociações, a quantidade de dinheiro parado em pools de liquidez e o preço da moeda nativa da rede Solana. Ao tecer esses detalhes ao nível do token com sinais mais amplos do ecossistema, os pesquisadores criaram uma janela para um mercado que está crescendo rapidamente e mudando velozmente. O objetivo deles não era apenas construir uma ferramenta de previsão melhor, mas entender o comportamento real deste ecossistema digital durante um período de intensa expansão.

A análise desses dados revelou que o mercado não se move isoladamente. Os pesquisadores identificaram dois momentos distintos de atividade sincronizada onde todo o ecossistema parecia respirar em uníssono: um em meados de novembro de 2024 e outro em meados de janeiro de 2025. Durante esses picos, os volumes de negociação, o número de carteiras ativas e o número de novos traders aumentaram simultaneamente em toda a rede. O segundo pico, ocorrido em janeiro de 2025, coincidiu com o lançamento de um token específico associado a um ex-presidente dos EUA, um evento que desencadeou uma onda massiva de especulação. Os dados mostraram um padrão claro de comportamento que antecedeu este evento: investidores estavam acumulando liquidez, injetando dinheiro nos pools, apenas para começar a retirar seus fundos logo após o pico. Isso sugere que o destino de tokens individuais está profundamente ligado ao humor geral do mercado Solana e aos níveis de atividade de suas corretoras descentralizadas, em vez de existirem como entidades separadas e isoladas.

Para testar se esses dados detalhados poderiam realmente ajudar a prever o futuro, os pesquisadores realizaram uma série de experimentos de previsão. Eles pediram a vários modelos de computador para prever o valor de mercado desses tokens três dias à frente. Os resultados mostraram que, embora modelos estatísticos simples que dependem de padrões repetitivos possam funcionar bem para alguns tokens estáveis, eles tiveram dificuldades com as flutuações selvagens deste ecossistema. A abordagem mais bem-sucedida foi um modelo de aprendizado profundo chamado PatchTST, que se destacou na identificação de tendências complexas e não repetitivas nos dados. Um modelo baseado em uma estrutura de linguagem pré-treinada, quando cuidadosamente ajustado aos dados específicos, teve um desempenho quase tão bom. Essas descobertas sugerem que o conjunto de dados contém sinais genuínos de curto prazo que podem ser usados para prever movimentos de mercado, desde que o modelo seja sofisticado o suficiente para lidar com a volatilidade.

Investigações adicionais sobre como esses modelos tomavam suas decisões revelaram o que realmente impulsiona as previsões. Os fatores mais importantes não foram apenas o histórico de um único token, mas a saúde mais ampla da rede. O preço da própria Solana, suas médias móveis, o volume total de negociações em todo o sistema de corretoras descentralizadas e o número de novos pares de negociação sendo criados foram todos indicadores críticos. Isso confirma que, nesta economia digital, o preço de um token específico é fortemente influenciado pelo comportamento coletivo de todo o mercado. O estudo conclui que, ao combinar dados detalhados do token com sinais de todo o ecossistema, é possível construir uma imagem mais clara da dinâmica do mercado. Este trabalho fornece um novo fundamento para entender como os ativos digitais se comportam, oferecendo uma maneira de distinguir entre ruído aleatório e mudanças significativas de mercado em um ambiente que é frequentemente difícil de navegar.

Resumo Técnico: Previsão de Séries Temporais baseada em Conjunto de Dados de Ativos Digitais da Solana

Definição do Problema
A previsão precisa de ativos digitais na blockchain Solana apresenta desafios únicos devido à alta volatilidade do ecossistema, mudanças rápidas de regime e a prevalência de cenários de "cold start" (início a frio), onde novos tokens lançados carecem de dados históricos. Métodos tradicionais de previsão de séries temporais frequentemente lutam contra a natureza não estacionária dos preços de criptoativos e a escassez de dados de longo prazo específicos para cada ativo. Além além disso, pesquisas existentes frequentemente dependem de dados de exchanges centralizadas (CEX) ou de características específicas de Bitcoin/Ethereum, negligenciando a microestrutura distinta do ambiente de Exchanges Descentralizadas (DEX) da Solana e sua rica telemetria on-chain. Há uma carência de conjuntos de dados curados que capturem simultaneamente o comportamento ao nível do token (transações, liquidez) e a atividade da DEX em nível de ecossistema para analisar como o sentimento de mercado mais amplo se propaga para ativos individuais.

Metodologia
O estudo introduz um novo conjunto de dados curado e emprega uma estrutura de previsão comparativa para validar seu conteúdo de sinal.

Construção do Conjunto de Dados: Os autores compilaram um conjunto de dados de séries temporais compreendendo 1.584 tokens da Solana observados diariamente de 24 de março de 2024 a 16 de março de 2025. O conjunto de dados inclui 27 variáveis por token, integrando:
- Métricas ao nível do token: Contagens de transações, contagens de carteiras ativas, volumes de negociação, indicadores de preço (abertura, fechamento, máxima, mínima, média) e saldos de pools de liquidez.
- Métricas ao nível do ecossistema: Volume total de DEX na Solana, contagens de traders de DEX, novos pares de negociação criados e indicadores de preço da Solana (SOL) (incluindo médias móveis de 50, 100 e 200 dias).
- Filtragem: Os tokens foram selecionados com base em critérios de atividade (ex: >2.000 holders únicos, >1.000 transações diárias, >US$ 20 milhões de volume total) e limpos para remover valores ausentes ou janelas de observação insuficientes.
Tarefa de Previsão: O objetivo foi prever a capitalização de mercado do token (preço × oferta circulante) três dias à frente ( $H=3$ ). A capitalização de mercado foi escolhida em vez do preço bruto para normalizar a dinâmica heterogênea de oferta (emissão, queimas, desbloqueios).
Avaliação do Modelo: Oito modelos foram testados em três categorias:
- Aprendizado Profundo (Deep Learning): PatchTST (Transformer baseado em patches), Temporal Fusion Transformer (TFT) e TiDE (Time-series Dense Encoder). Estes foram treinados de maneira univariada (um modelo por token).
- Abordagens Zero-Shot: Chronos (avaliado tanto em modo fine-tuned quanto zero-shot) e TimeGPT. Estes foram aplicados de maneira multivariada/transferível (um único modelo para todos os tokens).
- Baselines Estatísticos: Facebook Prophet e SeasonalNaive.
- Validação: Uma estratégia de backtesting de janela deslizante (rolling window) foi usada para treinamento, com um conjunto de teste fixo fora da amostra (14–16 de março de 2025). O desempenho foi avaliado usando MAE, RMSE e MAPE. A significância estatística foi avaliada via testes de Friedman, testes de postos sinalizados de Wilcoxon e testes de razão de verossimilhança de modelos lineares mistos paramétricos.
Importância das Características (Feature Importance): O estudo utilizou importância baseada em permutação para o TFT e valores SHAP para o TimeGPT para identificar covariáveis fundamentais.

Principais Resultados

Dinâmica de Mercado: A análise descritiva revelou picos sincronizados no volume de DEX, volume de negociação de tokens, carteiras ativas e preço de SOL em meados de novembro de 2024 e meados de janeiro de 2025. O pico de janeiro de 2025 coincidiu com o lançamento do token "Trump", acompanhado por uma mudança visível da acumulação de liquidez para retiradas, sugerindo um forte acoplamento entre a dinâmica de tokens individuais e o sentimento de mercado mais amplo da Solana.
Desempenho de Previsão:
- PatchTST alcançou o melhor ranking geral (ranking médio ≈ 2,97) entre as métricas MAE, RMSE e MAPE, demonstrando robustez superior em capturar flutuações não periódicas.
- ChronosFineTuned seguiu de perto, superando significativamente sua contraparte zero-shot, indicando que a adaptação específica ao ativo gera ganhos substanciais neste regime.
- Baselines Estatísticos: Prophet e SeasonalNaive tiveram um desempenho excepcionalmente bom para muitos tokens, sugerindo que uma parte significativa do conjunto de dados retém estruturas de persistência, tendência ou sazonalidade de curto prazo. O PatchTST superou o Prophet em 93 tokens e o SeasonalNaive em 772 tokens, destacando sua capacidade de capturar características complexas e não periódicas perdidas por modelos estatísticos.
- TimeGPT exibiu a menor variância em estabilidade, mas as maiores taxas de erro no geral, capturando o menor número de características não periódicas adicionais em comparação com outros modelos.
Importância das Características: A análise confirmou que, embora o histórico de preços específico do token seja relevante, as variáveis macroeconômicas são altamente informativas. As covariáveis mais influentes incluíram o preço de SOL, médias móveis de SOL, volume total de DEX, contagens de traders de DEX e o número de novos pares criados.

Significância e Contribuições
A principal contribuição do artigo é a criação do primeiro conjunto de dados de séries temporais de ativos digitais da Solana projetado especificamente para previsão e análise de estrutura de mercado. Ao vincular a microestrutura do nível do token com a atividade de DEX do nível do ecossistema, o conjunto de dados permite o estudo de como as condições de mercado mais amplas influenciam a volatilidade de ativos individuais.

O estudo demonstra que:

Acoplamento do Ecossistema: A dinâmica de tokens individuais na Solana está fortemente acoplada à atividade de DEX mais ampla e aos movimentos de preço de SOL, particularmente durante períodos de crescimento rápido e eventos especulativos.
Viabilidade de Modelos: Embora modelos de deep learning como o PatchTST se destaquem na captura de padrões complexos e não periódicos, os baselines estatísticos permanecem competitivos para tokens dominados por tendências. Modelos zero-shot mostram promessa, mas beneficiam-se significativamente do ajuste fino (fine-tuning) neste domínio específico.
Utilidade dos Dados: O conjunto de dados contém sinal suficiente para a previsão de capitalização de mercado de curto prazo (3 dias), validando o uso de dados on-chain e de microestrutura de DEX como características preditivas.

Os autores declaram explicitamente que o trabalho é uma análise empírica e uma caracterização orientada por dados do ecossistema, abstendo-se de recomendações de negociação ou conselhos de implementação devido aos riscos éticos de uso especulativo indevido. Os achados são apresentados como evidências específicas da Solana, deixando a generalização entre diferentes redes (cross-chain) para pesquisas futuras.

Mais como este