Daniel Prado Coleto; Pietro Mazzarotto Braga Figueiredo

DOI: 10.22167/2675-6528-202600695

Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Resumo

O crescimento dos ativos digitais e a elevada volatilidade do mercado ampliaram a demanda por métodos quantitativos para decisões de alocação. Nesse cenário, técnicas de aprendizagem não supervisionada permitem agrupar ativos por similaridade estatística, oferecendo perfis de comportamento operacionais. O estudo objetivou segmentar os 15 criptoativos de maior liquidez de uma base pública diária (OHLCV), utilizando métricas de desempenho, risco, liquidez e co-movimento com o Bitcoin, comparando dois períodos consecutivos para verificar mudanças de regime. Para isso, realizou-se o tratamento dos dados, calculou-se retornos logarítmicos e construíram-se variáveis-síntese (retorno médio, volatilidade, drawdown máximo, VaR 95%, métricas de volume e indicadores de dependência com o benchmark), seguidos de padronização e aplicação dos algoritmos K-means e Ward, com suporte de métricas internas e análise de estabilidade. Como resultado principal, observou-se uma estrutura de grupos economicamente interpretáveis e sensíveis ao regime: no primeiro período, emergiram perfis de referência de mercado, instrumentos de preservação de valor, comportamento idiossincrático e um bloco amplo de ativos de mercado; no segundo período, consolidou-se um agrupamento de líderes, manteve-se o bloco de preservação de valor e formaram-se grupos com maior caráter especulativo e de mercado. Concluiu-se que a segmentação por agrupamentos auxilia a governança de portfólio, evidenciando que a multiplicidade de ativos não implica necessariamente redução de exposição sistêmica, e apoia políticas de limites, rebalanceamento e gestão de liquidez em contextos de Economia, Investimentos e Banking.

Palavras-chave: Co-movimento; Estabilidade temporal; K-means; Liquidez; Volatilidade.

1. Introdução

A consolidação dos criptoativos como uma classe de ativos negociada globalmente tem impulsionado um crescente interesse acadêmico e profissional. Desde a proposição do protocolo do Bitcoin por Satoshi Nakamoto (2008), observou-se a expansão de um ecossistema de ativos digitais com características heterogêneas em termos de liquidez, volatilidade, estrutura de mercado e mecanismos de formação de preços. Este ambiente, embora ofereça oportunidades de retorno, expõe investidores e organizações a riscos relevantes, como mudanças de regime, elevada variância e correlações instáveis entre ativos. Essa complexidade e dinâmica volátil tornam insuficientes abordagens baseadas apenas em intuição ou comparações pontuais de rentabilidade, intensificando a demanda por métodos quantitativos que reduzam a complexidade informacional e apoiem decisões de alocação e controle de risco. A literatura clássica de finanças, conforme Markowitz (1952), demonstra que o risco de uma carteira depende da covariância entre ativos, tornando a diversificação um princípio central para a redução de risco. No entanto, a diversificação prática exige a compreensão de como os ativos se comportam em conjunto e como suas relações mudam ao longo do tempo, especialmente em mercados sujeitos a choques. Estudos indicam que o comportamento de retorno e risco dos criptoativos pode diferir de classes tradicionais e ser influenciado por fatores específicos do mercado (Liu & Tsyvinski, 2021), com a utilidade desses ativos para diversificação e proteção sendo condicionada por sua conectividade e interdependência (Corbet et al., 2019).

Nesse contexto, métodos de aprendizado de máquina não supervisionado emergem como ferramentas promissoras para identificar estruturas latentes em dados financeiros, agrupando ativos por similaridade e permitindo interpretações mais operacionais para a construção e o monitoramento de carteiras. A análise de clusters é indicada para sintetizar grandes volumes de informação em grupos coerentes, reduzindo a complexidade e destacando padrões de semelhança relevantes para a tomada de decisão (Jain, 2010). Essa perspectiva é útil em criptomoedas, onde a vasta gama de ativos com características diversas pode introduzir vieses de seleção. Entre os algoritmos mais utilizados para essa finalidade, destacam-se o K-means (Hartigan & Wong, 1979) e os métodos hierárquicos, como o de Ward (Ward, 1963), amplamente discutidos na literatura de mineração de dados e aprendizado estatístico (Hastie, Tibshirani, & Friedman, 2009). A escolha do número de clusters é uma etapa crítica, frequentemente orientada por métricas de validação interna, como o coeficiente de silhueta (Rousseeuw, 1987) e o índice de Davies-Bouldin (Davies & Bouldin, 1979), que auxiliam na avaliação da separação e coesão dos agrupamentos. Implementações robustas desses métodos estão disponíveis em bibliotecas amplamente adotadas, contribuindo para a reprodutibilidade e transparência analítica (Pedregosa et al., 2011).

A justificativa deste trabalho decorre de um problema recorrente na gestão de investimentos em criptoativos: apesar da disponibilidade de dados de mercado e do crescimento de ferramentas analíticas, ainda há dificuldade em transformar informações brutas em perfis interpretáveis que apoiem decisões de diversificação e gerenciamento de risco, especialmente considerando a variabilidade do comportamento das criptomoedas entre períodos. A evidência de que o Bitcoin pode atuar de forma condicional como instrumento de diversificação ou proteção em cenários específicos reforça que a dinâmica entre criptoativos e seu papel em carteiras não é trivial (Bouri et al., 2017). Assim, torna-se relevante investigar abordagens que combinem medidas de risco-retorno, liquidez e co-movimento com o Bitcoin, permitindo comparar estruturas de agrupamento em diferentes janelas temporais e, com isso, gerar insumos para decisões mais fundamentadas. Este estudo visa aprimorar a governança de portfólio em um mercado complexo e dinâmico.

Diante do exposto, o objetivo deste trabalho é segmentar as 15 criptomoedas mais líquidas de um dataset público OHLCV (preço e volume) em clusters com base em métricas de risco-retorno, liquidez e co-movimento com o Bitcoin, comparando dois períodos temporais (Janela A e Janela B) dentro de um recorte aproximado de 36 meses, a fim de obter perfis interpretáveis que apoiem a diversificação de carteira e a gestão de risco.

2. Material e Métodos

A pesquisa foi caracterizada como aplicada, buscando gerar conhecimento prático para apoiar decisões de gestão e análise de desempenho em um contexto real de mercado, utilizando dados públicos e mensuráveis. Essa abordagem alinhou-se à produção de resultados utilizáveis e à solução de problemas, conforme a perspectiva de Gil (2019) sobre projetos de pesquisa.

Quanto à abordagem metodológica, o estudo foi desenvolvido sob uma perspectiva quantitativa. Baseou-se em variáveis numéricas derivadas de séries históricas de mercado e empregou técnicas de tratamento, transformação e análise estatística/computacional para identificar padrões e estruturas de similaridade entre criptoativos. Essa escolha foi consistente com a mensuração e comparação de indicadores, permitindo a replicação do procedimento analítico.

Em relação aos fins, a pesquisa foi de caráter descritivo e analítico. Descreveu-se o comportamento dos ativos por meio de métricas padronizadas e analisaram-se relações de semelhança e diferenciação entre criptomoedas em diferentes períodos. Observaram-se regularidades e contrastes no conjunto de ativos, que foram organizados em agrupamentos interpretáveis, conforme a orientação de Vergara (2016) para pesquisas descritivas e comparativas.

O trabalho foi conduzido como uma pesquisa baseada em dados secundários, utilizando registros históricos públicos de mercado no formato OHLCV (Open, High, Low, Close e Volume). Esses dados foram obtidos de uma fonte pública do Kaggle, organizados em arquivos por criptomoeda, e posteriormente integrados e tratados para compor a base analítica final.

Adotou-se um recorte temporal contínuo de aproximadamente 36 meses, abrangendo o período de 07 de julho de 2018 a 06 de julho de 2021. Esse intervalo foi definido pela disponibilidade dos dados e pelos critérios de consistência do pipeline de análise.

Para o universo empírico, selecionaram-se as 15 criptomoedas com maior volume médio no período total, garantindo foco em ativos com liquidez representativa e incluindo o Bitcoin como benchmark. O conjunto analisado compreendeu ADA, BNB, BTC, DOGE, DOT, EOS, ETH, LINK, LTC, TRX, UNI, USDC, USDT, XLM e XRP.

O período total de análise foi dividido em duas janelas temporais consecutivas de aproximadamente 18 meses cada: Janela A (07 de julho de 2018 a 05 de janeiro de 2020) e Janela B (06 de janeiro de 2020 a 06 de julho de 2021). Essa divisão permitiu aplicar os mesmos procedimentos metodológicos em cada janela e comparar os resultados de agrupamento entre regimes de mercado.

Na etapa de tratamento e pré-processamento dos dados, as séries históricas diárias OHLCV foram preparadas para garantir comparabilidade entre ativos e consistência temporal. Calcularam-se retornos diários em log (log-return) a partir dos preços de fechamento, uma transformação usual em finanças para estabilizar a análise de variações proporcionais.

A engenharia de variáveis (features) foi realizada para transformar as séries OHLCV em um conjunto de atributos comparáveis. Extraíram-se medidas de desempenho e risco, incluindo retorno médio diário, volatilidade dos retornos, drawdown máximo e Value at Risk (VaR) de 95%, para sintetizar o comportamento médio e a dispersão.

No eixo de liquidez, utilizaram-se variáveis derivadas do volume negociado como proxy operacional. Para capturar o co-movimento com o Bitcoin (benchmark), calcularam-se métricas de dependência, especificamente a correlação com BTC e o beta em relação ao BTC, interpretado como sensibilidade do retorno do ativo ao retorno do benchmark.

As features construídas apresentavam escalas distintas, o que exigiu a padronização dos dados antes da aplicação dos algoritmos de agrupamento. Adotou-se a técnica de padronização z-score (StandardScaler), removendo a média e escalando cada variável para variância unitária, conforme a transformação z = (x − μ)/σ.

A segmentação dos criptoativos foi realizada por meio de técnicas de aprendizado não supervisionado, com o objetivo de agrupar moedas com comportamento semelhante. Foram empregados dois métodos complementares: K-means (Hartigan & Wong, 1979) e clusterização hierárquica aglomerativa com critério de Ward (Ward, 1963), amplamente discutidos na literatura (Hastie, Tibshirani, & Friedman, 2009).

No algoritmo K-means, o procedimento buscou minimizar a soma dos quadrados intra-grupo (“within-cluster sum of squares”), alternando a atribuição dos pontos ao centróide mais próximo e a atualização dos centróides pela média dos pontos atribuídos. Para reduzir a sensibilidade à inicialização, o algoritmo foi executado com múltiplas inicializações (via parâmetro n_init).

Na abordagem hierárquica aglomerativa de Ward, cada ativo foi tratado inicialmente como um cluster individual. Em seguida, os clusters foram mesclados iterativamente até atingir o número de grupos definido, priorizando a fusão que minimizava o incremento de variância dentro dos clusters.

Para apoiar a escolha do número de clusters (k), calcularam-se métricas internas de validação para valores de k variando de 2 a 10, separadamente para cada janela temporal. As métricas utilizadas foram a inércia, o coeficiente de Silhouette (Rousseeuw, 1987) e o índice de Davies-Bouldin (Davies & Bouldin, 1979), que auxiliam na avaliação da separação e coesão dos agrupamentos.

Além das métricas internas, avaliou-se a estabilidade dos agrupamentos entre as janelas temporais por meio do Adjusted Rand Index (ARI). Esse índice foi calculado sobre as 13 moedas comuns às duas janelas, indicando a consistência do agrupamento ao longo do tempo.

A implementação computacional foi realizada em Python, utilizando a distribuição científica Anaconda e a IDE Spyder. Para manipulação e consolidação dos dados, empregaram-se as bibliotecas pandas e NumPy. A padronização das variáveis e a clusterização foram conduzidas com o scikit-learn, que também forneceu rotinas para o cálculo das métricas internas de validação.

Para assegurar a reprodutibilidade dos resultados, definiram-se parâmetros de reprodutibilidade, como o random_state no K-means, quando aplicável. O pipeline foi estruturado para permitir a repetição integral das etapas a partir dos mesmos arquivos de entrada e do recorte temporal.

Do ponto de vista ético, o estudo foi conduzido exclusivamente com dados secundários e públicos de mercado, sem coleta de informações pessoais ou acesso a dados sensíveis. Não houve necessidade de aplicação de Termo de Consentimento Livre e Esclarecido (TCLE), pois não existiu participação humana direta. Preservaram-se os princípios de integridade acadêmica, com descrição transparente das etapas e rastreabilidade das transformações.

3. Resultados e Discussão

A análise dos resultados revelou uma estrutura de agrupamentos de criptoativos que se mostrou economicamente interpretável e sensível a mudanças de regime de mercado, conforme o objetivo de segmentar os 15 criptoativos mais líquidos com base em métricas de risco-retorno, liquidez e co-movimento com o Bitcoin. O estudo utilizou dados diários de preço e volume (OHLCV) para dois períodos consecutivos, Janela A (07 de julho de 2018 a 05 de janeiro de 2020) e Janela B (06 de janeiro de 2020 a 06 de julho de 2021), permitindo uma comparação da estabilidade e da evolução dos perfis. Essa abordagem quantitativa, empregando K-means e Ward, forneceu uma base para a compreensão do comportamento dos ativos digitais, auxiliando na gestão de portfólio e na tomada de decisões em um mercado caracterizado por alta volatilidade e interdependência.

O universo de análise foi composto por 15 criptoativos selecionados por seu maior volume médio negociado ao longo do período total de 36 meses, garantindo representatividade em termos de liquidez. Os ativos incluídos foram ADA, BNB, BTC, DOGE, DOT, EOS, ETH, LINK, LTC, TRX, UNI, USDC, USDT, XLM e XRP. A presença de stablecoins como USDT e USDC no conjunto permitiu investigar se ativos de menor volatilidade formariam agrupamentos distintos, enquanto BTC e ETH serviram como referências de liquidez e centralidade no mercado cripto. A divisão em duas janelas temporais de aproximadamente 18 meses cada foi crucial para avaliar a consistência dos agrupamentos e identificar potenciais mudanças de regime, evitando conclusões baseadas em um único recorte temporal.

A escolha do número ideal de clusters (k) foi orientada por métricas internas de validação, como a inércia, o coeficiente de Silhouette e o índice de Davies-Bouldin, calculadas para valores de k entre 2 e 10. Na Janela A, o maior coeficiente de Silhouette foi observado em k=2 (0,6016), enquanto o menor Davies-Bouldin ocorreu em k=4 (0,3290). A inércia apresentou uma redução expressiva ao passar de k=2 para k=3 e de k=3 para k=4, indicando ganhos relevantes na coesão interna dos clusters. Para a Janela B, a Silhouette também mostrou valores favoráveis em k=9 (0,3097), embora a interpretação principal tenha se concentrado em k=4 para equilibrar a qualidade interna e a utilidade gerencial dos agrupamentos.

A interpretação das métricas internas sugeriu um trade-off entre a coesão estatística e a interpretabilidade econômica. Embora k=2 tenha apresentado a maior separação entre grupos macroscópicos, a configuração com k=4 foi considerada mais útil para fins de gestão de portfólio, pois permitiu a identificação de perfis mais granulares e nomeáveis. Essa decisão alinhou-se à necessidade de traduzir as medidas estatísticas em informações acionáveis para investidores e gestores de risco, conforme a literatura sobre mineração de dados em finanças (Hastie, Tibshirani, & Friedman, 2009).

A estabilidade das soluções de agrupamento entre as janelas temporais foi avaliada por meio do Adjusted Rand Index (ARI), calculado para as 13 moedas comuns a ambos os períodos. Observou-se que o ARI foi de 1,000 para k=2, indicando estabilidade perfeita dos agrupamentos. Para k=3, o ARI foi de aproximadamente 0,745, sugerindo boa estabilidade, enquanto para k=4, o valor foi de cerca de 0,555, denotando estabilidade moderada. Esses resultados confirmaram que o aumento do número de clusters (k) tende a tornar o particionamento mais granular e, consequentemente, mais sensível a mudanças de regime de mercado, o que pode levar a “migrações” de ativos entre grupos ao longo do tempo.

A interpretação dos clusters em k=4, adotada como configuração-base, revelou perfis distintos e com significado econômico-financeiro. Na Janela A, a clusterização evidenciou quatro blocos funcionais. O Cluster 1 (Benchmark) foi composto exclusivamente pelo Bitcoin (BTC), que se destacou por seu padrão combinado de liquidez, risco e co-movimento, reforçando seu papel como ativo de referência no ecossistema cripto. O Cluster 2 (Stablecoins) reuniu USDT e USDC, caracterizando-se por baixa volatilidade e preservação de valor, atuando como “caixa” operacional para alocação tática e redução de exposição ao risco de preço, com co-movimento mínimo com o BTC.

O Cluster 3 (Idiossincrático) foi formado apenas por LINK, indicando um comportamento singular com alto retorno médio diário, mas também a maior volatilidade e o pior Value at Risk (VaR) de 95%, além de liquidez mais instável. Esse perfil sugeriu a presença de risco específico e uma dinâmica própria do ativo, que pode representar tanto uma oportunidade de diversificação quanto um foco de volatilidade idiossincrática que exige monitoramento. Por fim, o Cluster 4 (Altcoins mercado) agregou a maioria das altcoins (ADA, BNB, DOGE, EOS, ETH, LTC, TRX, XLM e XRP), exibindo um perfil de alta exposição ao risco sistêmico do mercado cripto, com retorno médio negativo, volatilidade elevada, drawdowns acentuados e alta correlação e beta com o BTC.

Na Janela B, a estrutura de agrupamento apresentou uma reorganização significativa, refletindo as mudanças de regime de mercado. O Cluster 1 (Blue chips) passou a incluir BTC e ETH, formando um núcleo de ativos líderes com retorno médio positivo e risco menor em comparação com outros grupos voláteis, além de alta correlação e beta com o BTC. O Cluster 2 (Stablecoins) manteve USDT e USDC, confirmando seu papel como “caixa” do ecossistema, com retorno próximo de zero, volatilidade muito baixa e co-movimento praticamente nulo ou levemente negativo com o BTC, atuando como amortecedor de risco.

O Cluster 3 (Especulativas) reuniu DOGE e LINK, concentrando o extremo do risco com a maior volatilidade, o pior VaR e volume mais instável, sugerindo um comportamento mais errático e maior sensibilidade a choques. O Cluster 4 (Altcoins mercado) continuou a agregar a maior parte das altcoins remanescentes (ADA, BNB, DOT, EOS, LTC, TRX, UNI, XLM e XRP), apresentando retorno médio positivo, mas com volatilidade alta, drawdowns profundos e beta acima de 1, o que indica que esse bloco tende a amplificar os movimentos do BTC e oferece diversificação limitada quando considerado como um único fator de mercado.

A comparação entre as janelas temporais revelou que a maior parte dos ativos permaneceu no cluster de altcoins de mercado, mas ocorreram migrações pontuais importantes. A Ethereum (ETH) aproximou-se do Bitcoin (BTC), formando o núcleo de “blue chips” na Janela B, sugerindo uma convergência de comportamento em um regime mais recente. Por outro lado, a Dogecoin (DOGE) migrou do grupo de altcoins de mercado para o grupo especulativo, juntamente com LINK, indicando uma maior instabilidade relativa e um caráter mais especulativo nesse período. Essas mudanças ressaltam a natureza dinâmica do mercado cripto e a importância de análises periódicas para a gestão de portfólio.

A análise de clusterização, ao incorporar métricas de risco-retorno, liquidez e co-movimento com o Bitcoin, permitiu identificar perfis de comportamento que tendem a responder de modo semelhante a choques de mercado. Essa abordagem estende o princípio de diversificação de Markowitz (1952), demonstrando que a simples quantidade de ativos em uma carteira não garante a redução efetiva do risco se esses ativos compartilharem o mesmo fator de mercado. A segmentação em clusters transformou métricas dispersas em perfis acionáveis, auxiliando na construção, rebalanceamento e controle de risco de carteiras cripto, conforme discutido por Bodie, Kane e Marcus (2014).

Para a área de Economia, Investimentos e Banking, os achados são relevantes ao distinguir o benchmark do sistema (BTC), instrumentos de estabilidade e liquidez (stablecoins), ativos com dinâmica peculiar (como LINK na Janela A) e um bloco amplo de altcoins com exposição conjunta ao fator de mercado. A identificação de clusters com maior instabilidade de volume e VaR mais severo indicou ativos onde a execução de operações pode ser mais sensível em cenários adversos, sugerindo a necessidade de políticas de limites, testes de estresse e critérios de liquidez mínimos para a manutenção de posições.

Apesar das contribuições, o estudo apresentou limitações inerentes ao recorte temporal e ao universo de ativos selecionados. A escolha das 15 criptomoedas por maior volume médio pode ter introduzido um viés de representatividade, privilegiando ativos mais líquidos e potencialmente excluindo moedas relevantes em outros segmentos. Além disso, as variáveis (features) foram derivadas exclusivamente de dados OHLCV, não capturando dimensões microestruturais do mercado (como livro de ofertas ou spread) nem fatores on-chain ou de fundamento que poderiam explicar diferenças estruturais entre projetos.

Do ponto de vista estatístico, as técnicas de clusterização como K-means e Ward são sensíveis à padronização, à presença de outliers e a mudanças de regime, tendendo a formar clusters mais “esféricos” ou compactos em termos de distância. Isso pode limitar a identificação de estruturas mais complexas e tornar a solução dependente da escolha do número de clusters (k) e das inicializações no K-means. Contudo, a combinação de métricas de validação interna e a análise comparativa entre janelas conferiram consistência aos resultados, permitindo que fossem interpretados como perfis úteis para diagnóstico e comparação, e não como classificações definitivas e permanentes dos ativos.

Em síntese, a segmentação dos criptoativos em clusters, com base em métricas de risco-retorno, liquidez e co-movimento com o Bitcoin, demonstrou ser uma ferramenta eficaz para mapear perfis de risco e dependência. Os resultados evidenciaram que a estrutura do mercado cripto não é estática, com mudanças significativas nos agrupamentos entre os períodos analisados, reforçando a importância de uma abordagem dinâmica na gestão de portfólio. A identificação desses perfis oferece suporte prático para a diversificação, governança de carteira e tomada de decisão em contextos de Economia, Investimentos e Banking, ao transformar a complexidade do mercado em informações estruturadas e acionáveis que respondem diretamente ao objetivo do estudo.

4. Conclusão

O estudo objetivou segmentar os 15 criptoativos de maior liquidez de uma base pública diária OHLCV em clusters, com base em métricas de risco-retorno, liquidez e co-movimento com o Bitcoin, comparando dois períodos consecutivos para identificar perfis interpretáveis que apoiassem a diversificação de carteira e a gestão de risco. Verificou-se uma estrutura de agrupamentos economicamente interpretáveis e sensíveis a mudanças de regime de mercado. Na primeira janela temporal, emergiram perfis distintos, como o Bitcoin como benchmark, stablecoins para preservação de valor, um ativo com comportamento idiossincrático e um bloco amplo de altcoins de mercado. Na segunda janela, observou-se uma reorganização, com a consolidação de um agrupamento de líderes (incluindo Bitcoin e Ethereum), a manutenção do bloco de stablecoins e a formação de grupos com maior caráter especulativo e de mercado. Essa dinâmica evidenciou que a estrutura do mercado cripto não é estática, com migrações pontuais de ativos entre os clusters, reforçando a necessidade de uma abordagem adaptativa na gestão de portfólio.

A principal contribuição do estudo reside em transformar a complexidade do mercado de criptoativos em perfis acionáveis, auxiliando a governança de portfólio e a tomada de decisão em Economia, Investimentos e Banking. A segmentação por agrupamentos demonstrou que a multiplicidade de ativos não implica necessariamente uma redução efetiva da exposição sistêmica, oferecendo suporte para políticas de limites, rebalanceamento e gestão de liquidez. Contudo, a análise foi condicionada ao recorte temporal e ao universo de 15 criptoativos selecionados por volume, o que pode ter introduzido um viés de representatividade, e as variáveis foram derivadas exclusivamente de dados OHLCV, sem capturar dimensões microestruturais ou fatores on-chain. As técnicas de clusterização empregadas são sensíveis à padronização e podem limitar a identificação de estruturas não esféricas. Para estudos futuros, sugere-se ampliar o período de análise, incorporar métricas de liquidez mais ricas e variáveis on-chain, além de comparar com métodos alternativos de agrupamento e avaliar o impacto dos clusters em estratégias de alocação por meio de backtesting.

Referências Bibliográficas

Corbet, S.., Lucey, B., Urquhart, A., & Yarovaya, L. (2019). Cryptocurrencies as a financial asset: A systematic analysis. International Review of Financial Analysis, 62, 182–199.

Hartigan, J. A.., & Wong, M. A.. (1979). A K-means clustering algorithm. Journal of the Royal Statistical Society: Series C (Applied Statistics), 28(1), 100–108.

Jain, A. K.. (2010). Data clustering: 50 years beyond K-means. Pattern Recognition Letters, 31(8), 651-666.

Liu, Y.., & Tsyvinski, A.. (2021). Risks and returns of cryptocurrency. The Review of Financial Studies, 34(6), 2689–2727.

Markowitz, H.. (1952). Portfolio selection. The Journal of Finance, 7(1), 77–91.

Nakamoto, S.. (2008). Bitcoin: A peer-to-peer electronic cash system.

The Elements of Statistical Learning. Hastie, T.., Tibsh

Ward, J. H.. (1963). Hierarchical grouping to optimize an objective function. Journal of the American Statistical Association, 58(301), 236–244.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Economia, Investimentos e Banking do MBA USP/Esalq

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