Como abordar previsões de preço em cripto com machine learning (sem se enganar no risco)

Cripto atrai cientistas de dados por um motivo: sempre aparece um novo indicador para testar, mais dados para coletar e um modelo prometendo “sinais melhores”. O ponto é que os mercados de cripto podem trocar de caráter bem rápido. Quando isso acontece, uma previsão que parecia fazer sentido em backtest pode simplesmente parar de funcionar na prática.

O objetivo aqui não é descartar machine learning. É usar de um jeito que seja mais difícil de você mesmo se enganar — alinhando a previsão com o que você consegue negociar e ancorando o risco no R (sua unidade de risco), não em dólares.

Por que as previsões de preço em cripto costumam frustrar

As previsões decepcionam por alguns motivos bem previsíveis.

• Modelos não conseguem separar ruído de sinal com confiabilidade em mercados rápidos e que mudam de regime.
• Uma previsão não é um plano de trade. Mesmo que o modelo estime a direção, você ainda precisa de entrada, stop e controle de risco.
• Muitos métodos de ML geram direção ou probabilidade, mas a execução depende de estrutura do mercado (níveis, “fairness”, posicionamento) e do seu modelo de risco.

Uma forma simples de colocar isso: previsão pode ajudar a estimar probabilidade. Trade exige que você decida o que vai fazer quando o mercado se move — e quanto você pode perder se estiver errado.

O que um modelo deveria prever em cripto

Se você quer saídas de ML que realmente se integrem ao trading, foque em alvos que você consegue medir e transformar em ação.

Prevê o que dá para negociar, não fantasia

Prefira prever coisas que você consegue usar diretamente:

• Regime provável: tendência, faixa ou chop
• Probabilidade de continuação (ou probabilidade de reversão do movimento)
• Condições ao redor do valor justo (os traders estão pagando caro, ou sendo preenchidos com desconto em relação à média?)

Transforme o alvo em algo mensurável

Em vez de “próximo preço”, use um resultado que seja claro e negociável, como:

• probabilidade de o preço se mover a seu favor por um valor definido antes que seu stop seja atingido

Essa formulação obriga o modelo a aprender um comportamento que conversa com a execução.

Marque o regime na entrada

Na prática, diferenças de regime muitas vezes pesam mais do que ajustes finos em indicadores. Por isso, o modelo deve te ajudar a decidir qual roteiro (playbook) faz sentido agora.

Entradas do modelo que tendem a transferir melhor entre ativos e timeframes

Um erro comum é montar features que só funcionam para um ativo, um timeframe ou um ambiente específico de volatilidade. Entradas que descrevem o comportamento do mercado costumam ser mais “transportáveis”.

Ancore a “fairness” com VWAP

Inclua:

• VWAP da sessão (ancorado em UTC 00:00)
• VWAP móvel (rolling VWAP) nos últimos N candles

VWAP (Preço Médio Ponderado por Volume) é a média do preço ponderada pelo volume negociado. Em futuros de cripto, ele funciona como um bom ponto de “fairness”:

• preço acima do VWAP da sessão → em média, compradores estão pagando “mais” do que o aceitável
• preço abaixo do VWAP da sessão → vendedores estão sendo preenchidos acima do que a média paga

Leia o funding como custo/posicionamento

Futuros perpétuos usam uma taxa de funding para manter o preço do perp perto do spot.

• funding positivo significa longs pagando shorts
• funding negativo significa shorts pagando longs

Não trate isso como “sentimento”. Trate como um sinal de custo. O mais acionável costuma ser como o funding muda:

• negativo de forma persistente → shorts lotados pagando
• positivo de forma persistente → longs lotados pagando
• perto de zero e com reversão à média → condições mais equilibradas

Use o order book para contextualizar entrada — com cuidado

O desequilíbrio do book (volume de bid vs volume de ask perto do preço de contato) e a profundidade ponderada podem ajudar a ajustar o timing das entradas em cima de níveis.

Mas vale checar com as negociações realizadas. Acontece de ocorrer spoofing: paredes falsas somem na hora. Se o desequilíbrio mostra bids fortes, mas os prints continuam vendendo, pode ser que os bids não sejam reais.

Inclua volatilidade e consciência de estrutura

Features baseadas em ATR ajudam o modelo a entender o “quanto” o mercado está disposto a se mover. Isso importa porque o mesmo padrão pode se comportar de forma bem diferente conforme o regime de volatilidade.

Transformando sinais comuns em regras amigáveis para modelagem

Muitos traders já usam VWAP, funding e ideias do order book. O ajuste aqui é transformar isso em regras que o modelo consegue aprender — em vez de interpretações soltas.

VWAP como referência, não gatilho isolado

Trate VWAP como um ponto de referência:

• preço acima do VWAP da sessão implica que compradores, em média, estão pagando “acima” do acordado como justo

Se sua leitura é mais compradora (bias long), o VWAP ajuda a responder: estou comprando acima do que o mercado já concordou ser justo? Se sim, por quê?

Re-teste de VWAP em regimes de tendência

Um padrão comum de continuação é:

• após um movimento limpo da sessão, observe o primeiro re-teste do VWAP
• isso pode ser um ponto de continuação com boa probabilidade se o regime continuar sustentando comportamento de tendência

A palavra-chave é se. Em faixa, os re-testes de VWAP funcionam diferente.

Funding: observe mudanças, não só o sinal

Regras práticas que tendem a virar modelo com mais facilidade:

• funding persistentemente negativo se relaciona com shorts lotados pagando
• funding persistentemente positivo se relaciona com longs lotados pagando
• a maior parte do valor está em identificar mudanças (shifts), não ficar encarando o nível

Order book: timing próximo de níveis

Use o desequilíbrio para timing de entrada:

• recuperar um nível com suporte de bids favorece os longs
• asks pesadas e paradas acima do preço atual viram resistência para tentativas de rompimento

De novo: use como contexto. Não deixe o order book virar a tese inteira.

Classificação de regime como base do seu design em ML

Regime é o filtro mais útil para escolher o playbook certo.

Use três regimes práticos: tendência, faixa e chop.

Tendência

Tendência é estrutura direcional:

• ADX em alta
• higher-highs / higher-lows (ou o inverso para shorts)

Tendência é melhor para entradas por momentum e saídas com trailing.

Faixa

Faixa é oscilação em torno de suporte/resistência identificáveis:

• ATR contraindo

Faixa é melhor para entradas de fade/mean-reversion, com saídas mais apertadas e pré-definidas.

Chop

Chop é bagunçado:

• sem estrutura clara
• stop-runs frequentes

A ação padrão: tamanho menor ou ficar de fora. Se for operar, foque apenas nos setups de maior convicção e aceite stops mais largos.

Marque cada trade com o regime no momento da entrada. Ao longo do tempo, o desempenho segmentado por regime costuma separar melhor do que comparar “indicador A vs indicador B”.

Onde machine learning e deep learning realmente entram

Uma forma útil de manter o ML honesto é alinhar o objetivo do modelo com decisões.

Prever probabilidades e classificar regimes

Use ML/deep learning para estimar:

• probabilidade de continuação vs reversão
• probabilidade de o regime atual pertencer a cada classe

Sem prometer trajetórias determinísticas de preço. O mercado não deve nada a uma linha reta.

Modelos de sequência para timing de eventos

Abordagens de sequência (deep learning) podem ajudar se você quer aprender padrões temporais ao redor de:

• re-testes de VWAP
• mudanças de funding
• shifts no order-book

Transformar saídas em execução

O modelo precisa gerar saídas que conectem com execução e risco.

Se o modelo só te disser “vai subir” ou “vai cair”, mas você não consegue traduzir isso em timing de entrada e lógica de stop, você volta para o julgamento subjetivo.

Gestão de risco: qualidade da previsão não significa nada sem controles em R

Mesmo um bom modelo pode perder dinheiro se a lógica de risco for inconsistente.

Ancore tudo em R

R é sua unidade de risco: a diferença entre o preço da entrada e o preço do stop.

Todo desempenho deve ser expresso em R:

• expectancy
• MFE (maximum favorable excursion)
• MAE (maximum adverse excursion)

Isso importa porque PnL em dólares varia muito entre ambientes de volatilidade. Uma estratégia que gera +0.35R por trade gera +0.35R tanto em mercado calmo quanto em mercado selvagem; os resultados em dólar dependem de dimensionamento e volatilidade.

Expectancy generaliza quando R é consistente

Ao avaliar performance do modelo, foque em expectancy em R. Converta para dólares só no fim, se você precisar disso para planejamento.

“Prever” não substitui stop

Uma previsão não altera o que seu stop vai fazer. Distância do stop, tamanho da posição e regras de saída determinam a distribuição dos trades.

Dimensionamento por ATR para manter stops coerentes

Se você fixa tamanho por contrato e deixa a volatilidade mexer, a distância implícita do stop varia. É assim que traders se surpreendem.

Ajuste para que 1-ATR contra te custe o orçamento de risco

O dimensionamento deve ser ancorado no ATR:

• definir distância do stop = k * ATR
• escolher k conforme o regime

Faixas típicas de k:

• 1.0–1.5 em tendência
• 1.5–2.0 em chop

Depois, dimensione posições para que um movimento adverso de 1-ATR corresponda ao seu orçamento de risco.

Erro comum: fixar o tamanho e deixar que a distância implícita do stop “escorregue” durante picos de volatilidade. O sistema só funciona como esperado se a lógica de stop e o dimensionamento forem escalados juntos.

Como conectar saídas do modelo aos playbooks de execução

Depois que você tem probabilidade de regime e probabilidade de continuação, use isso para acionar um playbook.

Viés de tendência + confiança do modelo: escala no VWAP (sem correr atrás)

Em vez de comprar o candle de rompimento, considere montar entradas em escada ao redor de um VWAP anterior.

Estrutura típica:

• 30% na primeira recuperação (reclaim) do VWAP
• 30% em um reteste confirmado com depth vendedor mais fino
• 40% após formar um higher-low depois do reteste

Cancele os lotes restantes se o preço fechar de volta abaixo do VWAP no timeframe em que você está operando.

Viés de faixa: entradas de mean-reversion com saídas curtas

Para condições de faixa, prefira:

• stops apertados
• saídas próximas à borda oposta da faixa

Não reutilize a lógica de tendência aqui. Um reclaim de VWAP pode significar coisas totalmente diferentes quando o preço está em modo de mean-reversion.

Chop: tamanho menor ou melhor ficar de fora

No chop:

• reduza o tamanho ou pule trades
• se for operar, escolha apenas os setups de maior convicção
• aceite stops mais largos se a estrutura exigir

Backtest do modelo: meça o que realmente importa

Backtests devem responder perguntas sobre vantagem e risco — não só acurácia.

Avalie expectancy em R

É assim que você generaliza entre ativos e regimes de volatilidade. Métricas baseadas em R deixam a avaliação consistente.

Acompanhe a distribuição do resultado

Não olhe apenas win rate.

Acompanhe coisas como:

• MAE/MFE em R para ver se os sinais chegam cedo o suficiente para a sua lógica de stop

Se o MAE ficar repetidamente grande demais em relação ao stop, sua vantagem pode ser uma ilusão causada por timing de execução.

Faça stress-test por regime

Marque cada trade na entrada (tendência/faixa/chop) e teste se o desempenho muda de verdade com o regime. Se o modelo “funciona em tudo”, muitas vezes ele não está aprendendo estrutura de regime — só está reproduzindo outra coisa.

Checklist de implementação (e onde observar ao vivo)

O trabalho do modelo termina quando começa a execução. Para manter alinhamento mais limpo, tente fazer análise e execução no mesmo ambiente.

A XT Exchange é onde nossos feeds de mercado ao vivo fornecem snapshots e sinais.

Um checklist prático:

• Se você opera um perp específico, verifique no par quais são o session VWAP, o comportamento do VWAP rolling, as tendências de funding e o desequilíbrio do order-book na XT.
• Use os charts ao vivo para confirmar seus regime tags e se os re-testes de VWAP estão ocorrendo como o esperado nesta sessão.

Cripto pode mudar de “personalidade” rápido. Monitoramento ao vivo faz parte da pesquisa.

Próximo passo: valide suas entradas na XT e construa com risco em R

Se você quer colocar esse framework para funcionar, comece simples.

• Abra sua conta na XT e opere um par de BTC (ou o perp que você prefere) para observar session VWAP, mudanças no VWAP rolling, shifts de funding e reações do order-book em tempo real.
• Depois, traduza a saída do modelo em lógica de entrada/stop baseada em R, usando sizing guiado por ATR para manter consistência entre backtest e vida real.

Comece com um único ativo, marque trades por regime e só então aumente a complexidade.