Aplicações de Machine Learning ao Mercado de Criptoativos

Este projeto visa analisar o desempenho de estratégias de otimização de portfólio no mercado de criptoativos, promovendo um estudo comparativo entre estimadores de covariância estáticos e dinâmicos. Para alcançar este objetivo, a metodologia implementa carteiras
de Mínima Variância Global (GMV) baseadas em modelos tradicionais (Amostral e Shrinkage Linear) e estocásticos (DCC-GARCH), avaliadas em múltiplas frequências de rebalanceamento. A análise estatística incorpora a métrica de sobreposição de pesos (Weight Overlap) para clusterização alocativa e um modelo empírico de fricção de liquidez para medir o impacto dos custos de transação operacionais. Por fim, o desempenho ajustado ao risco das abordagens é avaliado frente ao benchmark passivo Nasdaq Crypto Index (NCI).