Análise Preditiva do Impacto de Baleias na Volatilidade do Bitcoin

Bruno de Almeida Lemes; Lilian da Silveira

DOI: 10.22167/2675-6528-202602737

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A mudança no mercado de criptoativos, impulsionada pelo lançamento de ETFs de Bitcoin em 2024, integrou investidores institucionais, exigindo a adaptação de modelos de análise de volatilidade tradicionalmente dedicados ao mercado de ações. O estudo objetivou validar se métricas comportamentais de grandes investidores, conhecidos como baleias (fluxo e movimentações de curto prazo), ou métricas de saldo (volume sob gestão ou posse), possuíam maior poder preditivo sobre a volatilidade futura do Bitcoin. Para isso, aplicou-se o modelo Heterogeneous Autoregressive model with eXogenous variables (HAR-X) para avaliar e comparar o impacto dessas classes de métricas na volatilidade de 7 dias futuros do ativo. Utilizaram-se 3.277 registros diários de cotação do preço da criptomoeda e classificações “on-chain” já geradas pela Glassnode, abrangendo o período de 2017 a 2025. Os resultados revelaram que, contrariamente à hipótese inicial, o modelo focado em métricas de saldo apresentou capacidade preditiva superior no cenário de teste, com um R² de 0,826. Concluiu-se que a concentração do ativo, especialmente em posse de detentores de longo prazo, atua como o principal amortecedor da volatilidade do Bitcoin.

Palavras-chave: Baleias; Bitcoin; HAR-X; Regressão.

1. Introdução

A criação do Bitcoin em outubro de 2008 marcou o surgimento de uma nova classe de ativos no mercado global. Diferentemente dos mercados tradicionais, o Bitcoin operava sem regulação direta de agentes como Bancos Centrais e sem um colateral para seu valor (Hernández, 2022).

Na década seguinte, o que começou como um projeto de nicho para entusiastas da tecnologia e criptografia expandiu-se exponencialmente. Surgiram diversos novos “tokens”, unidades de valor digital emitidas sobre plataformas de blockchain (Harvey et al., 2021), que adicionaram funcionalidades como contratos inteligentes e tokenização de ativos reais. Esse ecossistema demonstrou crescimento constante, com o valor total de mercado dos criptoativos atingindo quatro trilhões de dólares em setembro de 2025, um aumento de mais de 2.500% desde 2013 (Coinmarketcap, 2025).

Até 2024, a maior parte dessa capitalização estava concentrada em pessoas físicas e corretoras de criptomoedas. No entanto, a aprovação da Comissão de Valores Mobiliários norte-americana (SEC) para a primeira emissão de ETFs (Exchange-Traded Funds) atrelados ao Bitcoin sinalizou a legitimação da moeda digital como um ativo de grau institucional. Isso permitiu que pessoas físicas e jurídicas acessassem essa classe de ativos por meio de empresas tradicionais, aumentando a capilaridade e a capitalização do mercado. Em outubro de 2025, esses ETFs atingiram um volume de mais de 190 bilhões de dólares sob gestão, representando um crescimento de 678% em pouco mais de 20 meses (Coinmarketcap, 2025).

Complementando essa institucionalização, observou-se o surgimento de “treasury companies”, empresas cujo modelo de negócios se baseia na compra de criptoativos com seu caixa, como a Microstrategy (Bloomberg, 2025). Esse novo cenário alterou profundamente o perfil dos participantes do mercado de ativos digitais, desde grandes fundos de gestão até empresas dedicadas à compra de criptomoedas. A mudança no perfil dos negociadores exige uma nova abordagem para analisar as flutuações de preço, especialmente no que tange à atuação de investidores passivos de longo prazo e traders de alta frequência.

A análise do impacto de grandes “players”, conhecidos como “baleias”, na formação de preços é um problema já estabelecido no mercado tradicional. A formação de preços é o processo pelo qual a informação, pública ou privada, é assimilada e incorporada ao preço de um ativo através da dinâmica de negociação (O’Hara, 1995). Estudos anteriores demonstraram que investidores institucionais, devido ao seu comportamento de “pastoreio” e acesso a informações superiores, geram impactos significativos e preditivos nos retornos das ações (Gompers e Metrick, 2001). Argumenta-se que uma dinâmica similar ocorre no mercado de criptoativos, e a disponibilidade de dados “on-chain” permite avaliar essas movimentações em tempo real. Pesquisas recentes em cripto já validaram essa premissa, mostrando que os fluxos de baleias para corretoras possuem um impacto estatisticamente significativo e negativo nos preços do Bitcoin (Cong et al., 2022).

Diante da crescente institucionalização do Bitcoin e da reconhecida influência de grandes investidores, torna-se essencial aprofundar a compreensão sobre como as ações desses agentes impactam a volatilidade do ativo. Assim, o presente trabalho busca validar se métricas comportamentais de baleias, em comparação com métricas tradicionais baseadas em faixas de saldo, possuem maior poder preditivo para a volatilidade futura do Bitcoin, especialmente no contexto pós-aprovação dos ETFs spot em janeiro de 2024.

2. Material e Métodos

O presente trabalho caracterizou-se como uma pesquisa aplicada, de natureza quantitativa, com objetivos explicativos. Quanto aos procedimentos técnicos, classificou-se como pesquisa documental ex-post-facto, utilizando dados secundários provenientes de plataformas de mercado financeiro. O desenvolvimento do estudo seguiu a metodologia CRISP-DM (Cross-Industry Standard Process for Data Mining), conforme proposta por Shearer et al. (2000), uma abordagem estruturada amplamente utilizada em análises e ciência de dados.

A coleta de dados foi realizada a partir de duas fontes principais. As cotações de preço do Bitcoin foram extraídas do Yahoo Finance, por meio de sua API aberta e da biblioteca yfinance em Python. Os dados comportamentais e de saldo, que constituíram a base para as métricas de “baleias”, foram obtidos do site Glassnode, através de extrações em arquivos .csv para cada variável específica.

Os dados de cotação do Bitcoin, obtidos do Yahoo Finance, apresentaram granularidade diária e incluíram informações como cotações máxima, mínima e de fechamento, além do volume operado no dia. Essas informações foram fundamentais para o cálculo da volatilidade, que serviu como variável resposta do modelo preditivo.

Do Glassnode, foram coletadas diversas métricas “on-chain”. As métricas de saldo incluíram a quantidade total de Bitcoin em endereços que não movimentaram suas criptomoedas por 155 dias ou mais, denominados Acumuladores de Longo Prazo. Também se utilizou a concentração de Bitcoin em endereços por volume, segmentada em três faixas: 1.000 a 10.000 BTC, 10.000 a 100.000 BTC e acima de 100.000 BTC, expressas como percentual do volume total disponível.

As métricas comportamentais do Glassnode abrangeram a Mudança no Saldo dos Acumuladores de Longo Prazo, que indicou a variação diária no volume de Bitcoins em posse desses detentores. O Volume de Entrada em Corretoras quantificou o total de Bitcoin transferido de carteiras privadas para corretoras, e a Mudança Líquida na Posição das Corretoras representou a diferença entre o fluxo de entrada e saída de Bitcoin das corretoras.

Para cada uma das métricas originais do Glassnode, com exceção da Mudança no Saldo de Acumuladores de Longo Prazo, foram calculadas variações de sete dias. Essas features derivadas foram obtidas pela diferença entre o valor atual e o valor de sete dias anteriores, visando capturar tendências de curto e médio prazo no comportamento e na distribuição das “baleias”.

O período de análise compreendeu observações diárias de 1º de janeiro de 2017 a 21 de dezembro de 2025, totalizando 3.277 registros. Esse intervalo temporal foi selecionado para englobar múltiplos ciclos de mercado do Bitcoin, incluindo períodos de alta e baixa volatilidade, e a mudança estrutural decorrente da aprovação dos ETFs de Bitcoin em janeiro de 2024.

A etapa de preparação dos dados envolveu a unificação das informações do Yahoo Finance e do Glassnode. A integração foi realizada utilizando a biblioteca pandasql em Python, que permitiu o cruzamento das bases de dados diárias por meio do campo de data, resultando em um conjunto de dados único com todas as variáveis coletadas.

A variável dependente, a volatilidade futura, foi calculada como o desvio padrão dos retornos diários observados em janelas móveis de sete dias subsequentes (Hull, 2018). Os retornos diários foram calculados como retornos simples, onde P_t representou o preço de fechamento do Bitcoin na data t. Adicionalmente, foram calculadas médias móveis retrospectivas da própria volatilidade para janelas de um, sete e trinta dias passados, servindo como componentes de memória de mercado.

Para o pré-processamento, aplicou-se a técnica de winsorização nos percentis cinco e noventa e cinco sobre todas as variáveis independentes do modelo. Essa abordagem foi utilizada para mitigar a influência de valores extremos sem remover completamente os dados da amostra, contribuindo para a estabilidade das estimativas. Optou-se por não embaralhar os dados, mantendo a sequência temporal contínua das cotações do Bitcoin.

A divisão dos dados em conjuntos de treino e teste foi realizada com um corte temporal em 1º de janeiro de 2025. O conjunto de treino abrangeu o período de 1º de janeiro de 2017 a 31 de dezembro de 2024, totalizando 2.922 observações (89% do total). O conjunto de teste compreendeu de 1º de janeiro de 2025 a 21 de dezembro de 2025, com 355 observações (11% do total), permitindo avaliar a capacidade de generalização do modelo em dados não vistos.

Para a modelagem, utilizou-se o modelo econométrico HAR-X (Heterogeneous Autoregressive model with eXogenous variables), uma extensão do modelo HAR proposto por Corsi (2009). O modelo HAR-X incorpora variáveis exógenas à estrutura autorregressiva heterogênea do modelo HAR clássico, que considera a influência da volatilidade passada em diferentes horizontes temporais (diário, semanal e mensal).

No contexto do mercado de criptoativos, as janelas temporais do modelo HAR foram adaptadas de cinco e vinte e dois dias úteis para sete e trinta dias corridos, respectivamente, refletindo a operação ininterrupta do mercado. Foram estimados quatro modelos HAR-X distintos para comparação: HAR Básico (apenas componentes autorregressivos), HAR-X Comportamental (adicionando seis variáveis comportamentais), HAR-X Saldo (adicionando oito variáveis de saldo) e HAR-X Completo (contendo todos os dezessete preditores simultaneamente).

A escolha do modelo HAR-X foi justificada por sua validação na literatura de finanças para previsão de volatilidade em criptomoedas (Aalborg et al., 2019), sua robusta interpretabilidade por meio de coeficientes e p-valores, e sua adequação para lidar com o volume limitado de dados disponíveis (2.892 observações), minimizando o risco de overfitting em comparação com algoritmos de machine learning mais complexos.

O treinamento dos quatro modelos foi realizado utilizando o método de Mínimos Quadrados Ordinários (OLS), com a aplicação de correção de erros HAC (Heteroskedasticity and Autocorrelation Consistent) de Newey-West. O parâmetro “maxLags” da correção HAC foi ajustado de cinco para sete, alinhando-se à dinâmica de sete dias do mercado de criptoativos.

A metodologia CRISP-DM também incluiu as etapas de avaliação e implantação. Na avaliação, a performance dos modelos desenvolvidos foi mensurada para determinar a adequação dos resultados aos objetivos estabelecidos. A etapa de implantação focou na documentação e organização dos resultados para garantir a reprodutibilidade e disseminação do conhecimento gerado, dada a finalidade acadêmica do estudo.

As métricas “on-chain” da Glassnode foram classificadas para melhor compreensão de sua representatividade. Variáveis como “Entrada em Corretoras” e “Saldo Líquido em Corretoras” foram classificadas como comportamentais, representando fluxos agregados de mercado. A “Mudança no Saldo de Long-Term Holders” também foi considerada comportamental, indicando o ritmo de acumulação ou distribuição.

Por outro lado, o “Saldo Total de Long-Term Holders” e as variáveis de “Saldo de Baleias” segmentadas por faixas de volume (1k-10k, 10k-100k, >100k BTC) foram classificadas como métricas de saldo. Essas últimas representaram a única classificação estritamente segmentada por tamanho de carteira, refletindo o volume de Bitcoin detido por diferentes categorias de grandes investidores.

3. Resultados e Discussão

A presente seção detalha os resultados obtidos a partir da aplicação dos quatro modelos econométricos estimados: HAR Básico, HAR-X Comportamental, HAR-X Saldo e HAR-X Completo. A análise visa compreender a capacidade preditiva de diferentes classes de métricas “on-chain” sobre a volatilidade futura do Bitcoin, em consonância com o objetivo do estudo. Os achados são apresentados de forma estruturada, abordando a caracterização dos dados, a performance dos modelos, a análise dos coeficientes e as validações estatísticas, culminando em uma discussão aprofundada das implicações dos resultados.

O conjunto de dados utilizado para a análise compreendeu 3.277 observações diárias, abrangendo o período de 1º de janeiro de 2017 a 21 de dezembro de 2025, totalizando aproximadamente nove anos de dados. Este intervalo temporal foi selecionado estrategicamente para capturar múltiplos ciclos de mercado do Bitcoin, incluindo fases de alta volatilidade, como os “bull markets” de 2017 e 2021, e períodos de baixa volatilidade, como os “bear markets” de 2018 e 2022. A inclusão do período pós-aprovação dos ETFs de Bitcoin em janeiro de 2024 foi crucial para analisar a mudança estrutural no mercado.

A volatilidade futura de 7 dias, definida como a variável resposta do modelo, apresentou uma média de 3,1% com um desvio padrão de 1,9%. Observou-se um valor mínimo de 0,2% e um máximo de 15,9% para essa métrica, o que reforça a natureza cíclica do Bitcoin, caracterizada por alternância entre períodos de forte acumulação e baixa volatilidade, e eventos de alta volatilidade. Essa variabilidade é um aspecto central para a compreensão do risco associado ao ativo, conforme discutido por Fidelity (2026).

As métricas comportamentais, que capturam fluxos e movimentações de curto prazo, revelaram padrões importantes. O volume médio diário de entrada de Bitcoin em corretoras foi de 46.302 BTC, com um desvio padrão de 24.272 BTC. Essa alta variabilidade indica que, em certos dias, os fluxos para corretoras centralizadas são significativamente maiores que a média. Tal padrão sugere que grandes movimentações pontuais de Bitcoin para corretoras podem preceder períodos de maior volatilidade, alinhando-se à intuição de mercado de que transferências para corretoras frequentemente sinalizam intenção de venda (Kraken Intelligence, 2026).

Em contraste, as métricas relacionadas a saldo e posse, que refletem a concentração do ativo, indicaram uma distribuição significativa em endereços com grandes volumes. O volume total de Bitcoin em posse de detentores de longo prazo (LTH Supply) atingiu uma média de 12,52 milhões de BTC, o que representa aproximadamente 63% da oferta total circulante. Essa alta proporção sugere que a maior parte do Bitcoin está em mãos de acumuladores de longo prazo, conhecidos como “strong hands”, que historicamente demonstram menor sensibilidade a flutuações de curto prazo, contribuindo para a estabilidade do mercado.

A concentração de Bitcoin em carteiras com saldos entre 10 mil e 100 mil BTC, com uma média de 13,13% da oferta, mostrou-se particularmente relevante para o estudo. Essa faixa de saldo é crucial porque representa carteiras de grande porte que não são corretoras, mas também não são investidores de varejo. Tais carteiras, frequentemente associadas a empresas de tesouraria, como a Microstrategy, e fundos institucionais, foram o foco principal da análise, dada a crescente institucionalização do mercado de criptoativos.

Na avaliação da performance dos modelos, todos os quatro apresentaram um desempenho consistente entre os conjuntos de treino e teste, com valores de R² superiores a 0,81 em ambos os cenários. Essa consistência é um indicativo de boa capacidade de generalização e ausência de “overfitting”, um problema comum em modelos de aprendizado de máquina com dados limitados (Hastie, 2009). A robustez dos modelos é fundamental para a validade das previsões.

O modelo HAR-X Saldo destacou-se como o de melhor desempenho no conjunto de teste, alcançando um R² de 0,826. Este resultado significa que o modelo é capaz de explicar 82,6% da variância da volatilidade futura do Bitcoin. Essa performance foi marginalmente superior à do modelo HAR-X Comportamental, que obteve um R² de 0,817, e à do HAR Básico, com R² de 0,819. Tal achado contraria a hipótese inicial do estudo, que previa maior poder preditivo das métricas comportamentais.

A inclusão conjunta das variáveis de saldo e comportamentais no modelo HAR-X Completo, que continha todos os 17 preditores, não resultou em uma melhoria adicional significativa no desempenho preditivo, apresentando um R² de 0,825. Este resultado, ligeiramente inferior ao do modelo HAR-X Saldo, foi contraintuitivo e sugere que a inclusão simultânea de todas as variáveis pode não trazer um incremento relevante, possivelmente devido a interações complexas ou redundâncias entre as métricas.

Em termos de erro de previsão, o MAE (Mean Absolute Error) do modelo HAR-X Saldo foi de 0,002631. Esse valor indica um erro médio de aproximadamente 0,26 pontos percentuais na previsão da volatilidade futura, o que é considerado um resultado satisfatório, especialmente quando comparado à volatilidade média do período, que foi de 3,06%. Em termos práticos, isso implica que o modelo erra, em média, menos de 10% do valor real da volatilidade, oferecendo uma medida precisa para a gestão de risco.

Para complementar a análise de R² e MAE, foi realizado o teste F incremental, que confirmou que tanto as métricas comportamentais quanto as de saldo melhoram significativamente o ajuste do modelo HAR Básico (p < 0,001 em ambos os casos). Isso valida a premissa de que as movimentações e distribuições de grandes investidores contêm informação preditiva relevante para a volatilidade futura do Bitcoin, mesmo após controlar pela persistência da própria volatilidade capturada pelos componentes autorregressivos.

A comparação entre o modelo HAR-X Comportamental e o HAR-X Completo também se mostrou estatisticamente significativa (F=3,30, p<0,001). Este resultado indica que a adição das métricas de saldo a um modelo que já incorpora métricas comportamentais traz informação incremental. Embora o modelo HAR-X Saldo, por si só, já apresente um desempenho comparável ao modelo Completo, a significância incremental reforça a complementaridade entre os dois tipos de métricas na explicação da volatilidade.

A análise detalhada dos coeficientes das variáveis utilizadas no modelo HAR-X Completo revelou que apenas quatro das quatorze variáveis apresentaram significância estatística (p-valor < 0,05). Três dessas variáveis são de natureza comportamental e uma é de saldo, fornecendo insights específicos sobre o impacto de cada uma delas na volatilidade futura do Bitcoin. Essa seletividade na significância dos preditores é crucial para uma compreensão mais precisa dos mecanismos de mercado.

A variável “Entrada em Corretoras” apresentou um coeficiente negativo (-1,66×10-8) e um p-valor de 0,04. Este resultado sugere que aumentos no volume de Bitcoins enviados para corretoras estão associados a quedas de aproximadamente 0,016 pontos percentuais na volatilidade futura de 7 dias. Isso indica que o impacto dessas movimentações é de curto prazo, com grande parte do efeito já absorvida dentro da janela de uma semana, levando a uma volatilidade mais controlada após esse período inicial.

A “Variação da Entrada em Corretoras (7d)”, com um coeficiente negativo (-3,87×10-8) e p-valor de 0,00, reforça a tese da relevância do fluxo para corretoras e a natureza imediata de seu impacto. A significância estatística dessa variável corrobora a interpretação de que, após sete dias, o “choque” inicial na volatilidade já se dissipou, e o mercado tende a retornar a um estado de maior controle. Ambas as métricas de entrada em corretoras, portanto, apontam para uma dinâmica de ajuste rápido.

O “Saldo Líquido em Corretoras” exibiu um coeficiente positivo (6,59×10-9) e um p-valor de 0,04. Este achado sugere que uma mudança positiva na posição líquida de Bitcoins mantidos em corretoras está associada a um aumento na volatilidade futura. Isso pode indicar que o crescimento do saldo total em corretoras precede liquidações em um prazo mais longo do que o diário, diferenciando-se das variáveis que medem apenas a entrada de recursos, e sugerindo uma intenção de venda futura.

A variável “Saldo Total de Detentores de Longo Prazo (DLP)” apresentou um coeficiente negativo (-6,72×10-10) e um p-valor de 0,00. Este resultado é particularmente relevante, pois demonstra que os “long term holders” contribuem para uma percepção de segurança e estabilidade no mercado. O aumento da posse de Bitcoins por esses detentores de longo prazo está associado a uma redução da volatilidade futura do preço do ativo, atuando como um amortecedor contra flutuações de curto prazo.

Apesar dos insights relevantes fornecidos pela análise individual das variáveis, é fundamental considerar o comportamento conjunto e as possíveis influências cruzadas, especialmente em um modelo com diversas variáveis preditoras. O teste de Fator de Inflação de Variância (VIF) foi aplicado para avaliar a presença de multicolinearidade, que mede o quanto a variância de um coeficiente de regressão é inflada devido à correlação com outras variáveis preditoras (Wooldridge, 2016).

Os resultados do teste VIF indicaram alta multicolinearidade para as variáveis “Saldo Baleias (10k-100k)”, com um VIF de 18,82, e “Saldo Baleias (1k-10k)”, com um VIF de 8,81. Embora a segunda esteja abaixo do limite de 10 proposto por Hair (2010), sua proximidade sugere um nível elevado de colinearidade. Esses altos valores indicam que o montante acumulado por essas “baleias” é, na verdade, uma resultante de outros movimentos de mercado, como o fluxo para corretoras ou a variação do fluxo de detentores de longo prazo, sugerindo que essas baleias podem ser, em parte, os próprios detentores de longo prazo de Bitcoin.

Essa constatação de multicolinearidade elevada é um forte indicativo do motivo pelo qual o modelo HAR-X Completo não superou o desempenho do modelo HAR-X Saldo em termos de R². As variáveis com maior VIF são justamente as relacionadas ao saldo das maiores baleias, o que sugere que a informação que elas trazem já está, em certa medida, capturada por outras variáveis de saldo. Um modelo reduzido, contendo apenas os componentes HAR e as quatro variáveis com significância estatística, obteve um R² de 0,827 e MAE de 0,002661, superando o modelo Completo, indicando que um modelo mais parcimonioso pode ser preferível.

A análise do erro por quartil da volatilidade real observada no conjunto de teste para o modelo HAR-X Saldo revelou que o erro médio absoluto foi de 0,002594 no quartil mais calmo (Q1) e de 0,003320 no quartil mais volátil (Q4). Isso significa que o modelo tende a errar aproximadamente 28% mais em períodos de volatilidade extrema do que em períodos calmos, o que é consistente com a heterocedasticidade identificada nos resíduos. Essa característica é importante para a gestão de risco, pois indica que a precisão da previsão pode variar em diferentes regimes de mercado.

A heterocedasticidade dos resíduos foi formalmente confirmada pelo teste de Breusch-Pagan, que apresentou um LM Statistic de 101,034 e um p-valor de 0,00, além de um F-Statistic de 6,12 e p-valor de 0,00. Esses resultados rejeitam a hipótese nula de homocedasticidade, confirmando que a variância dos resíduos é dependente das variáveis independentes (Wooldridge, 2016). Essa constatação valida a necessidade de aplicar a correção de Newey-West para os erros padrão, garantindo a validade dos testes de hipóteses e a robustez das conclusões.

Para testar formalmente a alegação de mudança estrutural no mercado pós-aprovação dos ETFs spot em janeiro de 2024, aplicou-se um Teste de Chow (Chow, 1960) na composição HAR-X Completo. O teste conjunto, considerando os 18 parâmetros do modelo simultaneamente, resultou em uma estatística F de Chow de 0,72 (p=0,79), não rejeitando a hipótese nula de estabilidade dos coeficientes. É importante notar que este resultado é impactado pelo tamanho da amostra pós-ETF (721 observações para 18 variáveis) e deve ser interpretado com cautela.

Contudo, ao observar os coeficientes individualmente, notou-se um movimento relevante em variáveis específicas. O coeficiente de “Entrada em Corretoras” perdeu toda a significância no período pós-ETF (p-valor de 0,034 para 0,825), assim como o de “Saldo Líquido em Corretoras” (p-valor de 0,057 para 0,942). Em contrapartida, o coeficiente de “Saldo Total DLP” manteve-se significativo e cresceu em magnitude (p-valor de 0,003 para 0,036, com o coeficiente passando de -7,17E-10 para -2,68E-09). Isso sugere que a dinâmica do mercado pós-ETF é consistente com mudanças no comportamento individual de alguns coeficientes, mesmo que não tenha sido confirmada como uma quebra estrutural conjunta estatisticamente significativa.

É crucial esclarecer a terminologia utilizada. O termo “baleias” neste trabalho refere-se a grandes investidores, mas as variáveis “on-chain” utilizadas não representam exclusivamente segmentações estritas por tamanho de carteira. Algumas métricas, como “Entrada em Corretoras” e “Saldo Líquido em Corretoras”, medem fluxos agregados de todo o mercado, enquanto “Saldo Total DLP” segmenta por comportamento de posse de longo prazo, não por tamanho de carteira. Apenas as variáveis “Saldo Baleias” por faixa de volume representam a definição mais estrita de “baleia” por volume detido, e essas não apresentaram significância individual.

A “volatilidade futura” refere-se ao alvo preditivo do estudo, ou seja, o desvio-padrão dos retornos diários nos 7 dias subsequentes à data t. Já a “volatilidade realizada” (RV) designa o conceito geral da literatura de HAR/HAR-X e os componentes autorregressivos construídos a partir da volatilidade passada. Ambos os termos coexistem no texto para descrever conceitos relacionados, mas distintos: um é o alvo do modelo, e o outro é o insumo autorregressivo. Além disso, os termos “impacto” e “influência” devem ser lidos como associação preditiva condicionada ao modelo, e não como relação causal direta comprovada, pois o modelo HAR-X identifica correlações estatisticamente significativas, mas não isola mecanismos causais nem descarta explicações alternativas.

Em termos de aplicação prática, o modelo HAR-X Saldo pode ser integrado em contextos de gestão de risco institucional. Isso inclui a atualização diária automatizada das previsões de volatilidade de 7 dias, a criação de painéis de visualização da volatilidade prevista versus realizada com o histórico de erros do modelo, e o desenvolvimento de gatilhos de alerta para quando a volatilidade prevista exceder limiares predefinidos, sinalizando a necessidade de revisão de exposição ou estratégias de hedge. Tais ferramentas podem auxiliar tesourarias institucionais e gestores de fundos na tomada de decisões.

Apesar da robustez dos resultados, o estudo possui limitações. As heurísticas de clusterização utilizadas pela Glassnode para agrupar endereços em entidades podem conter erros de classificação, visto que um mesmo indivíduo ou instituição pode operar múltiplos endereços, e um único endereço pode ser compartilhado. Além disso, as faixas de saldo não distinguem se o detentor é pessoa física, fundo, corretora ou tesouraria corporativa. Futuros trabalhos poderiam incorporar fatores externos, como crises macroeconômicas, alterações nas taxas de juros e eventos geopolíticos, que influenciam a percepção de risco e o retorno de ativos como o Bitcoin, para construir um mapa mais preciso da volatilidade.

Em síntese, os resultados da pesquisa indicam que, contrariamente à hipótese inicial, as métricas de saldo, especialmente a concentração do ativo em posse de detentores de longo prazo, possuem maior poder preditivo sobre a volatilidade futura do Bitcoin em um horizonte de 7 dias. O modelo HAR-X Saldo demonstrou a melhor capacidade explicativa, com um R² de 0,826, e um erro médio absoluto de 0,26 pontos percentuais, sugerindo que a estabilidade proporcionada pelos grandes acumuladores de longo prazo atua como o principal amortecedor da volatilidade no mercado de criptoativos, especialmente no cenário pós-institucionalização.

4. Conclusão

O presente estudo buscou validar se métricas comportamentais de grandes investidores, ou métricas de saldo, possuíam maior poder preditivo sobre a volatilidade futura do Bitcoin, especialmente no contexto pós-institucionalização do mercado. Verificou-se que, contrariamente à hipótese inicial, o modelo HAR-X Saldo demonstrou capacidade preditiva superior, com um R² de 0,826 no conjunto de teste, explicando 82,6% da variância da volatilidade futura do ativo. Identificou-se que a concentração do Bitcoin em posse de detentores de longo prazo (Saldo Total DLP) atuou como o principal amortecedor da volatilidade, apresentando uma associação negativa e estatisticamente significativa. Adicionalmente, observou-se que a entrada de Bitcoins em corretoras e sua variação de sete dias estavam associadas a uma redução da volatilidade futura, enquanto o saldo líquido em corretoras indicou uma associação positiva. A principal contribuição prática reside na oferta de um modelo robusto, com erro médio absoluto de 0,26 pontos percentuais, que pode ser integrado em estratégias de gestão de risco institucional, auxiliando tesourarias e gestores de fundos na previsão da volatilidade de 7 dias do Bitcoin.

Apesar da robustez dos resultados, o estudo possui limitações inerentes às heurísticas de clusterização da Glassnode, que podem não distinguir precisamente os tipos de detentores ou entidades, e à ausência de fatores macroeconômicos externos no modelo. Embora o teste de Chow não tenha confirmado uma quebra estrutural conjunta estatisticamente significativa pós-ETFs, observou-se uma mudança relevante no comportamento individual de alguns coeficientes, sugerindo a necessidade de reavaliação com amostras maiores no futuro e a estimação separada por subperíodos. Recomenda-se para estudos futuros a incorporação de variáveis externas, como crises e taxas de juros, e a utilização de métricas mais granulares da Glassnode para um entendimento mais completo da dinâmica da volatilidade. É importante ressaltar que os termos “impacto” e “influência” devem ser interpretados como associações preditivas condicionadas ao modelo, e não como relações causais diretas.

Referências Bibliográficas

Aalborg, H.A.; Molnar, P.; De Vries,J.E. What can explain the price, volatility and trading volume of Bitcoin? Finance Research Letters, v. 29, p. 255-265, 2019.

Bloomberg. Saylor’s Strategy Resumes Bitcoin Splurge at Highest Price Ever. Bloomberg, 2025. Disponível em: <https://www.bloomberg.com/news/articles/2025-10-13/saylor-s-strategy-resumes-bitcoin-splurge-at-highest-price-ever>. Acesso em: 20 out. 2025.

Chow, G.C. Tests of Equality Between Sets of Coefficients in Two Linear Regressions. Econometrica, v. 28, n. 3, p. 591-605, 1960.

Coinmarketcap. Cryptocurrency ETFs. CoinMarketCap, 2025. Disponível em: <https://coinmarketcap.com/etf>. Acesso em: 13 out. 2025.

Cong, L. W.; Li, S.; Tang, K.; Yang, Y. Whale Wisdom? Anticipating Blue Chips in the Cryptocurrency Market. Working Paper, 2022. Disponível em: https://ssrn.com/abstract=3786193.

Corsi, F. A simple approximate long-memory model of realized volatility. Journal of Financial Econometrics, v. 7, n. 2, p. 174-196, 2009.

Fidelity Digital Assets. Bitcoin 4-year cycles explained. Fidelity Investments, mar. 2026. Disponível em: <https://www.fidelitydigitalassets.com/research-and-insights/bitcoin-4-year-cycles-explained >. Acesso em: 21 mar. 2026.

Gompers, P. A., & Metrick, A. (2001). Institutional Investors and Equity Prices. The Journal of Financial Economics, 59(2), 229-260.

Hair, J. F. et al. Multivariate Data Analysis. 7. ed. Upper Saddle River: Pearson Prentice Hall, 2010

Harvey, C. R., Ramachandran, A., & Santoro, J. (2021). DeFi and the Future of Finance. John Wiley & Sons.

Hastie, T.; Tibshirani, R.; Friedman, J. (2009) The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2. ed. New York: Springer

Hernández de Cos, P. (2022). Crypto-assets a financial authority’s view. Bank for International Settlements (BIS) Review.

Hull, J. C. (2018). Options, Futures, and Other Derivatives (10th ed.). Pearson.

Kraken Intelligence. Bitcoin and the impact of exchange inflows. Kraken Blog, mar. 2026. Disponível em: <https://blog.kraken.com/category/kraken-intelligence/>. Acesso em: 21 mar. 2026.

O’Hara, M. Market Microstructure Theory. Cambridge: Blackwell Publishers, 1995.

Shearer, C., (2000). The CRISP-DM model: the new blueprint for data mining, Journal of Data Warehousing, Volume 5: 13-22.

Wooldridge, J. M. Introdução à Econometria: uma abordagem moderna. 6. ed. São Paulo: Cengage Learning, 2016.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy