Evaluating technical analysis indicators as machine-learning features in cryptocurrency trading strategies

Abstract

Esta dissertação investiga a eficácia dos indicadores de análise técnica (AT) como variáveis engenheiradas em pipelines de machine learning financeiro para negociação de criptomoedas. Um modelo de regressão XGBoost é empregado para prever os retornos do próximo período no horizonte de candles de um minuto, contrastando estratégias construídas com variáveis de AT em relação àquelas baseadas exclusivamente em dados brutos de mercado (candles e informações agregadas de order book). Para mitigar formas perigosas de viés, adota-se um critério de informação mútua que remove variáveis suspeitas de look-ahead bias, garantindo que os sinais preditivos reflitam dependências genuínas em vez de correlações espúrias com informações futuras. Oconjunto de dados abrange criptomoedas de maior capitalização de mercado, proporci onando uma avaliação robusta em condições voláteis. Os resultados indicam que os indicadores de AT aumentam a acurácia preditiva e melhoram a separação de regimes em certas configu rações quando comparados às variáveis brutas, embora os desfechos variem entre os ativos. Os backtests mostram ainda que estratégias com AT podem gerar alfas positivos antes de custos; contudo, ao se incorporarem taxas de transação e slippage realistas, esses retornos excedentes desaparecem, em consonância com a Hipótese de Mercado Eficiente em sua forma fraca, no horizonte analisado. Conclui-se que, embora os indicadores de AT possam aprimorar o aprendizado do modelo, eles não resultam em lucros persistentes após custos, oferecendo subsídios relevantes para o desenho de estratégias de engenharia de variáveis em negociação de criptoativos. Possibilidades de aprimoramento em estudos futuros também são discutidas