Dissertação de Mestrado Acadêmico - Breno Azevedo Marot - 04 de setembro de 2026

Título: Previsão de Retornos de Criptomoedas com Aprendizado de Máquina e Regimes de Mercado: estudo de caso em XRP/USD intradiário

Resumo: Este trabalho investiga a previsão de retornos intradiários do par XRP/USD em horizonte de uma hora, com atualização minuto a minuto, por meio de um pipeline integrado de modelagem, calibração e execução baseado em aprendizado de máquina. São avaliados modelos Ridge, HistGradientBoosting, um bloco recorrente LTC-like e um ensemble dinâmico, utilizando 48 atributos relacionados a preço, momentum, volatilidade, microestrutura e indicadores Renko-like. O estudo propõe técnicas de calibração robusta, calibração consciente de custo e seletividade temporal para reduzir o turnover, aumentar a robustez frente aos custos de transação e melhorar o desempenho da estratégia. Os resultados são submetidos a auditorias estatísticas, incluindo Deflated Sharpe Ratio, experimento placebo e teste de Diebold–Mariano. Conclui-se que a metodologia é promissora, embora a amostra de um ano não seja suficiente para comprovar estatisticamente a superioridade do desempenho observado. As principais contribuições são a calibração cost-aware, a seletividade temporal, os atributos Renko-like causais e a sistematização metodológica do pipeline.

Orientador: Sinesio Pesco - PUC-Rio
Co-Orientadora: Angélica Nardo Caseri (Yara Brasil Fertilizantes)

Banca examinadora:

Hugo de Souza Oliveira- Pagseguro Internet Instituição de Pagamento S/A
Francisco Aparecido Rodrigues - USP
Helio Côrtes Vieira Lopes - PUC-Rio

Data: 04 de setembro de 2026
Horário: 9h 
Sala: L856