Introdução
Prever o movimento do bitcoin pelo menos um dia à frente é uma tarefa diante da qual até os algoritmos mais sofisticados se rendem. O mercado de criptomoedas combina características de ativos financeiros clássicos e instrumentos especulativos de alto risco: aqui convivem tendências de longo prazo, lacunas abruptas de preço e ruído quase aleatório. A maioria das redes neurais existentes lida com essa tarefa apenas parcialmente: elas captam bem a tendência geral, mas reagem com atraso perceptível às reversões. Uma nova abordagem, proposta em um estudo no arXiv, tenta resolver esse problema de forma radicalmente diferente — com um híbrido de operadores de Fourier e roteamento multi-especialista. Trata-se do framework MoFE (Mixture-of-Experts with Fourier Neural Operators), desenvolvido por Bowen Liu e Mingming Sun. O trabalho foi apresentado na conferência IEEE ICBC 2026, e o preprint foi disponibilizado publicamente em agosto do mesmo ano.
Em vez de ajustar um único modelo universal a todos os estados do mercado, o MoFE utiliza um conjunto de especialistas especializados, cada um responsável por um tipo de dinâmica de preço, e um coordenador dinâmico que decide a qual deles recorrer no momento atual.
Por que o mercado cripto é tão difícil de prever
Os métodos clássicos de previsão de séries temporais — da autoregressão ao LSTM — pressupõem que os dados possuem certa estacionariedade, pelo menos em trechos curtos. No caso das criptomoedas, essa suposição é violada por vários motivos. Primeiro, o mercado está sujeito a frequentes mudanças de regime: uma tendência calma pode se transformar em pânico ou em um rali irracional em questão de horas. Segundo, dentro da série de preços operam simultaneamente processos de diferentes escalas — desde ciclos de anos, ligados ao halving, até flutuações microestruturais de segundos. Terceiro, esses processos não são estatisticamente independentes, mas formam uma rede estocástica complexa.
É por isso que modelos treinados em dados históricos frequentemente produzem previsões defasadas no tempo. Eles parecem perseguir o mercado, em vez de antecipá-lo. O atraso de fase é especialmente perceptível em horizontes curtos — um dia ou uma semana — onde o preço pode mudar de direção várias vezes. Nessas condições, é inútil simplesmente aumentar a profundidade da rede neural: o erro se acumula e leva a um atraso ainda maior. O MoFE tenta eliminar essa deficiência decompondo a tarefa em componentes espectrais e atribuindo cada uma a um especialista distinto.
Como o MoFE funciona
Especialistas: Fourier e convoluções
A ideia central do MoFE é usar a transformada de Fourier como uma forma de transição do domínio do tempo para o domínio da frequência. Em vez de prever diretamente o próximo ponto do preço, o modelo aprende a mapear "função para função": ele recebe não pontos isolados, mas um trecho inteiro da série temporal e produz outro trecho, deslocado para frente. Essa abordagem é viabilizada pelos operadores de Fourier — construções matemáticas que operam com funções, não com vetores. Dentro do MoFE, é utilizada uma variante adaptativa do operador de Fourier (AFNO), responsável pelos padrões espectrais globais. Além disso, o modelo inclui especialistas convolucionais que operam em dois domínios simultaneamente — tanto no temporal quanto no de frequência. Eles capturam características locais e a microestrutura do mercado que escapam à análise puramente espectral.
Todos os especialistas são treinados em mapeamentos contínuos, o que permite ao modelo generalizar para novas condições de mercado sem se ajustar demais a momentos históricos específicos. Essa visão "funcional" é especialmente conveniente para dados financeiros, onde não importam apenas os valores exatos, mas também o caráter da variação da curva.
Roteamento dinâmico
Como decidir qual especialista terá melhor desempenho no próximo momento? Para isso, o MoFE utiliza um mecanismo de mistura de especialistas (Mixture-of-Experts). Um gate específico analisa o estado atual do mercado e calcula os pesos para cada especialista. Em um regime, o especialista espectral, que capta a tendência de longo prazo, pode ter um papel maior; em outro, o convolucional, sensível a picos de curto prazo. O gate é treinado junto com os especialistas e, com o tempo, se ajusta para reconhecer padrões típicos de mercado. Graças a isso, o modelo pode mudar de estratégia instantaneamente, sem exigir reinício do treinamento.
Por que isso funciona: equações estocásticas
Os autores do MoFE basearam a construção da arquitetura na teoria das equações diferenciais estocásticas. Segundo esse conceito, o preço de um criptoativo é a solução de uma equação em que a volatilidade não é uma constante, mas uma superposição de vários processos oscilatórios. Por exemplo, o crescimento fundamental do preço está ligado ao desenvolvimento da rede de usuários e à adoção da tecnologia; o componente sazonal é determinado pelos ciclos de mineração, pela variação da dificuldade e pelo halving; por fim, o componente caótico é gerado pelos sentimentos coletivos dos traders.
Cada um desses componentes tem seu próprio perfil de frequência, e se decompusermos a série de preços nesses perfis, a previsão se resume a estender cada oscilação em um pequeno horizonte, seguida da superposição dos resultados. É exatamente essa operação que o MoFE executa, combinando vários especialistas especializados, cada um treinado em sua faixa de frequência. Isso permite evitar a média, à qual modelos universais tendem, e ao mesmo tempo suavizar o ruído sem perder sinais importantes.
Experimentos e resultados
Para verificar a eficácia, os autores realizaram experimentos com dados do Bitcoin no período de janeiro de 2020 a dezembro de 2025. O modelo foi testado para previsão de um dia à frente (T+1) e de cinco dias à frente (T+5). De acordo com os resultados apresentados, o MoFE demonstra desempenho de nível state-of-the-art em várias métricas. Em particular, ele mostra uma precisão notavelmente maior na previsão da direção do movimento do preço (Directional Accuracy) e um melhor valor do coeficiente de informação (Information Coefficient) em comparação com os modelos de base.
De particular interesse são as simulações de negociação. Quando as previsões do MoFE foram usadas para tomar decisões de negociação em um ambiente virtual, o modelo demonstrou retorno excessivo substancial e, ao mesmo tempo, manteve um baixo nível de risco, expresso em altos valores do índice de Sharpe. Isso significa que o modelo não apenas "adivinha" a tendência, mas o faz de forma bastante estável, sem quedas catastróficas. A principal vantagem, segundo os autores, é a eliminação do atraso de fase: a previsão do MoFE acompanha as mudanças de preço com atraso mínimo, o que é crítico para a negociação real, onde algumas horas podem custar dezenas de pontos percentuais de lucro.
Conclusões
O MoFE é um passo em direção a uma abordagem mais inteligente para a previsão de mercados financeiros. Em vez de lutar contra a não estacionariedade complicando a arquitetura, ele a aceita como um dado e divide a tarefa em componentes bem estudados. Os operadores de Fourier fornecem um poderoso aparato matemático para trabalhar com funções, e o roteamento multi-especialista adiciona flexibilidade e adaptabilidade.
O framework MoFE proposto mostra que a combinação de duas ideias aparentemente distintas — análise espectral e mistura de especialistas — pode gerar um efeito sinérgico. O desenvolvimento futuro da abordagem provavelmente envolverá sua aplicação a outros ativos, o uso de especialistas mais diversos e a integração com dados alternativos, como sentimentos sociais ou fluxos na blockchain. Mas já está claro: se você quer prever o mercado cripto, vale a pena prestar atenção a esses híbridos, e não a modelos "universais" que igualmente bem fazem a média de tendências e ruído.
