Analisando os Riscos das Criptomoedas: O que os Investidores Precisam Saber
Aprenda a avaliar os riscos das criptomoedas pra fazer escolhas de investimento melhores.
― 4 min ler
Índice
As criptomoedas têm ganhado muita atenção nos últimos anos. Muita gente investe nelas, mas é importante saber como os preços mudam e quais podem ser arriscadas. Este artigo fala sobre como analisar dados relacionados às criptomoedas pra ajudar a tomar decisões de investimento.
O que Afeta os Preços das Criptomoedas?
Os preços das criptomoedas podem ser afetados por várias coisas. Isso inclui notícias, boatos nas redes sociais, regras do governo e a reputação das equipes por trás das criptos. Mas, esses fatores podem ser meio imprevisíveis.
Por outro lado, os parâmetros on-chain são mais estáveis. Eles estão armazenados na blockchain, e alguns dos mais importantes incluem:
- Oferta Circulante: A quantidade de moedas disponíveis para negociação.
- Capitalização de Mercado: O valor total de todas as moedas em circulação.
- Volume em 24 Horas: Quanto da criptomoeda foi negociado nas últimas 24 horas.
- Oferta Total: A quantidade total de moedas que vai existir.
- Oferta Máxima: O maior número de moedas que pode existir.
Análise de Dados Históricos
A gente coletou dados sobre criptomoedas de 2013 até 1º de janeiro de 2022. Esses dados mostram que um grande número de criptomoedas (cerca de 39%) sumiu do mercado. Na real, só 10% ficaram por mais de 1000 dias.
A maioria das criptos que sumiram tinham vidas curtas. Um número significativo esteve ativo por menos de 80 dias. Essa informação é super importante pra investidores saberem quais criptos podem não ficar no mercado por muito tempo.
Correlação Entre Preço e Parâmetros
Pra descobrir como esses diferentes fatores se relacionam com os preços, a gente calculou correlações entre preço e parâmetros como oferta máxima e volume de negociação. Nossos achados sugeriram uma relação negativa forte entre preço e oferta máxima. Isso significa que, conforme a oferta máxima aumenta, o preço tende a cair. Por outro lado, teve uma ligação positiva entre preço e volume de negociação; quanto mais trades rolam em 24 horas, o preço geralmente sobe.
Agrupando Criptomoedas
Pra entender todos os dados, usamos um método chamado clustering. Esse método agrupa criptomoedas que têm características semelhantes. Olhando como elas se agrupam, os investidores podem entender melhor os níveis de risco.
A gente usou um método padrão chamado K-means pra separar as criptomoedas em cinco grupos com base nas suas características on-chain. Isso ajuda os investidores a verem quais criptos são parecidas e podem compartilhar riscos semelhantes.
Identificando Criptomoedas Arriscadas
O objetivo dessa pesquisa foi identificar quais criptomoedas podem ser arriscadas. A gente definiu uma criptomoeda arriscada como uma que pode sumir no futuro. Analisando dados históricos, treinamos diferentes modelos de classificação pra ajudar a prever se uma criptomoeda é arriscada ou não.
Testamos diferentes tipos de classificadores, como K-Nearest Neighbor e Support Vector Machines, pra descobrir qual funciona melhor pra prever risco. O modelo K-Nearest Neighbor apresentou os melhores resultados, com uma pontuação de 76%. Isso significa que ele foi bem bom em identificar criptos que podem não sobreviver.
Desafios com Desequilíbrio de Classes
Um desafio que enfrentamos foi o desequilíbrio de classes. Isso significa que tinha muito mais criptomoedas não arriscadas do que arriscadas. Isso pode dificultar o aprendizado do modelo. Pra melhorar os classificadores, podemos usar técnicas como amostragem ou afinar os parâmetros do modelo pra ver se conseguimos resultados melhores.
Trabalho Futuro e Melhorias
Para projetos futuros, nosso objetivo é melhorar nossos métodos de classificação pra detectar criptomoedas arriscadas. Usar técnicas de amostragem pode ajudar a equilibrar as classes. Além disso, podemos ajustar os parâmetros dos classificadores, o que pode levar a uma precisão melhor.
Também, em vez de usar todos os dados históricos de cada criptomoeda, podemos considerar usar dados estatísticos pra ajudar a prever riscos de forma mais precisa.
Conclusão
Pra concluir, as criptomoedas ainda são uma área nova de investimento com muitos riscos. Nossa pesquisa oferece uma visão mais clara de como certos parâmetros e dados históricos podem ajudar os investidores a avaliar os riscos envolvidos. Entender a relação entre os diferentes fatores e os preços das criptomoedas pode levar a decisões de investimento melhores.
Ao agrupar criptomoedas e usar técnicas de aprendizado de máquina, podemos identificar quais criptos podem ser arriscadas e ajudar a guiar os investidores nas suas escolhas.
Título: AI-Assisted Investigation of On-Chain Parameters: Risky Cryptocurrencies and Price Factors
Resumo: Cryptocurrencies have become a popular and widely researched topic of interest in recent years for investors and scholars. In order to make informed investment decisions, it is essential to comprehend the factors that impact cryptocurrency prices and to identify risky cryptocurrencies. This paper focuses on analyzing historical data and using artificial intelligence algorithms on on-chain parameters to identify the factors affecting a cryptocurrency's price and to find risky cryptocurrencies. We conducted an analysis of historical cryptocurrencies' on-chain data and measured the correlation between the price and other parameters. In addition, we used clustering and classification in order to get a better understanding of a cryptocurrency and classify it as risky or not. The analysis revealed that a significant proportion of cryptocurrencies (39%) disappeared from the market, while only a small fraction (10%) survived for more than 1000 days. Our analysis revealed a significant negative correlation between cryptocurrency price and maximum and total supply, as well as a weak positive correlation between price and 24-hour trading volume. Moreover, we clustered cryptocurrencies into five distinct groups using their on-chain parameters, which provides investors with a more comprehensive understanding of a cryptocurrency when compared to those clustered with it. Finally, by implementing multiple classifiers to predict whether a cryptocurrency is risky or not, we obtained the best f1-score of 76% using K-Nearest Neighbor.
Autores: Abdulrezzak Zekiye, Semih Utku, Fadi Amroush, Oznur Ozkasap
Última atualização: 2023-08-11 00:00:00
Idioma: English
Fonte URL: https://arxiv.org/abs/2308.08554
Fonte PDF: https://arxiv.org/pdf/2308.08554
Licença: https://creativecommons.org/licenses/by/4.0/
Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.
Obrigado ao arxiv pela utilização da sua interoperabilidade de acesso aberto.