Resumo Executivo

Matheus Mafra Oliveira Andrade; Eduardo Fernando Mendes

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

O crescimento acelerado do mercado de criptoativos nas últimas décadas transformou profundamente a dinâmica do sistema financeiro global, estabelecendo uma capitalização que ultrapassa trilhões de dólares. Nesse cenário, as criptomoedas deixaram de ser apenas ativos especulativos para fundamentar um ecossistema financeiro alternativo e descentralizado. Entre os principais ativos digitais, o Ethereum destaca-se por sua arquitetura programável, que possibilita a criação de contratos inteligentes e aplicações descentralizadas, consolidando-se como infraestrutura chave para o desenvolvimento de soluções em finanças descentralizadas, tokens não fungíveis e outros serviços digitais (De Collibus et al., 2025). Além de sua versatilidade tecnológica, o Ethereum diferencia-se pelo mecanismo de consenso baseado em Proof of Stake, implementado em 01 de dezembro de 2020. Segundo Li (2024), esse mecanismo passou a recompensar usuários que bloqueiam seus tokens para manter a segurança e integridade da rede, exigindo um menor consumo energético e promovendo um comportamento econômico alinhado com a retenção de longo prazo. Essa mudança estrutural afeta diretamente a utilidade do token ao fortalecer seu papel como reserva de valor, uma vez que traz incentivos financeiros para os poupadores.

Apesar do avanço tecnológico, a avaliação do valor justo de criptomoedas permanece um tema desafiador no campo das finanças. Conforme Liu e Tsyvinski (2021), esses ativos estão expostos a fatores específicos, como volatilidades extremas e variações intensas no interesse dos investidores, o que amplia a incerteza quanto ao valor intrínseco. Diferentemente de ativos tradicionais, os tokens digitais não geram fluxos de caixa previsíveis, dificultando a aplicação de métodos clássicos de valuation. Nesse contexto, emergem abordagens que integram fundamentos econômicos com técnicas analíticas modernas, baseadas em dados on-chain. Uma dessas abordagens introduz o múltiplo Price-to-Utility como uma métrica alternativa de avaliação (Liu e Zhang, 2023). A proposta busca captar a utilidade econômica do token por meio de proxies como velocidade de transação, taxa de staking, taxa de diluição e volatilidade, características que remetem às funções clássicas da moeda: meio de troca, reserva de valor e unidade de conta. Ao aplicar o índice ao Bitcoin, constatou-se que o múltiplo possui maior poder preditivo de retornos de longo prazo do que métricas tradicionais como o Network Value to Transactions, sendo capaz de guiar estratégias de investimento com desempenho superior ao buy and hold (Liu e Zhang, 2023).

Outros estudos corroboram a relevância de considerar a utilidade e a circulação dos tokens no processo de valuation. O conceito de microvelocidade do dinheiro permite analisar como a movimentação de fundos entre carteiras reflete o comportamento econômico dos agentes, revelando padrões de uso que impactam a valorização (De Collibus et al., 2025). Além da utilidade econômica, fatores relacionados ao design de protocolos de blockchain influenciam o valor percebido de um token. Aspectos como segurança do protocolo, regras de staking e incentivos aos validadores afetam o comportamento dos usuários e a atratividade do ativo (Oderbolz et al., 2024). A análise do múltiplo Price-to-Utility torna-se relevante ao incorporar tais elementos em sua formulação, permitindo verificar se a métrica mantém capacidade preditiva para o Ethereum. Para tanto, utilizam-se técnicas de aprendizado de máquina supervisionado para classificar cenários de mercado com base nos valores históricos do indicador, permitindo a execução de testes para avaliar o desempenho da estratégia em diferentes janelas temporais.

A metodologia adotada seguiu uma abordagem experimental para avaliar a eficácia do múltiplo como ferramenta de valuation. A coleta de dados abrangeu o período de 01 de dezembro de 2020 a 03 de dezembro de 2024, totalizando 1.467 dias de observação. Esse intervalo inicia-se com a implementação da Beacon Chain, marco inicial do staking na rede Ethereum. Os dados foram obtidos por meio de fontes públicas como CoinMetrics, CoinMarketCap e StakingRewards, incluindo preço diário, volume de transações on-chain e off-chain, ativos em staking, oferta total e taxas de transação. O índice Price-to-Utility relaciona o preço de mercado do ativo com sua utilidade econômica, de modo comparável ao múltiplo preço sobre lucro utilizado na avaliação de empresas tradicionais. O cálculo fundamenta-se no princípio de que os criptoativos devem exercer funções monetárias concretas para justificar sua capitalização (Mankiw, 2013).

A variável de utilidade foi construída a partir de quatro componentes principais. O primeiro é a velocidade do token, definida como o percentual de tokens transacionados em relação à oferta total em dólares. Uma alta velocidade representa uso frequente e demanda de curto prazo, servindo como proxy para a função de meio de troca. O cálculo considera a média móvel de 90 dias do volume total transacionado, que soma o volume na rede blockchain e o volume negociado no mercado secundário, dividido pela capitalização de mercado. O segundo componente é a taxa de staking, que representa a proporção de tokens bloqueados na rede para validação. Uma taxa elevada indica confiança no longo prazo e maior poupança agregada, funcionando como proxy de reserva de valor. O terceiro elemento é a taxa de diluição, que mede o crescimento anual da oferta de tokens. Uma alta taxa de diluição implica maior inflação e menor atratividade, também vinculada à função de reserva de valor. Por fim, a volatilidade mede o risco de mercado e a variabilidade dos retornos, sendo calculada a partir do desvio padrão dos logaritmos naturais dos retornos diários nos 180 dias anteriores. Uma volatilidade reduzida favorece a função de unidade de conta, facilitando a precificação de bens e serviços.

A modelagem matemática da utilidade combina esses fatores de modo que a velocidade e a taxa de staking impactem positivamente o indicador, enquanto a taxa de diluição e a volatilidade exerçam impacto negativo. A partir dos valores históricos obtidos, aplicou-se o algoritmo de Árvore de Decisão para prever a condição do mercado como de alta ou normal. A escolha desse modelo justifica-se pela necessidade de avaliar a capacidade preditiva do múltiplo de forma robusta e escalável. Utilizou-se um critério de rotulagem que classifica como mercado de alta os momentos em que o preço do ativo aumenta em pelo menos 20% em uma janela de 90 dias (Liu e Zhang, 2023). O algoritmo de Árvore de Decisão opera por meio de repartição recursiva, dividindo o conjunto de dados em subgrupos cada vez mais homogêneos. Para medir essa homogeneidade, utilizou-se a métrica de entropia, que quantifica a impureza de um grupo em relação às ocorrências de cada classe (Provost e Fawcett, 2013). O modelo busca encontrar o valor do índice que maximiza a redução da entropia, separando efetivamente os cenários de mercado.

Para garantir a integridade dos resultados, empregou-se a validação cruzada estratificada, dividindo a amostra em subconjuntos onde 70% dos dados foram destinados ao treinamento e 30% ao teste, de forma iterativa. O desempenho do classificador foi mensurado pela acurácia e pela área sob a curva ROC. A simulação de investimento comparou a estratégia baseada no múltiplo com abordagens tradicionais. A estratégia proposta gerou sinais de compra quando o valor do índice estava igual ou inferior ao percentil 10% de seu histórico, indicando subvalorização. Sinais de venda ocorriam quando o índice superava o percentil 90%, sugerindo sobrevalorização. Como referências, implementou-se o buy and hold, onde o investidor mantém a posição durante todo o período, e o cruzamento de médias móveis exponenciais, técnica de análise técnica baseada em movimentos de preço. Os retornos foram avaliados pelo ROI bruto acumulado, índice de Sharpe anualizado, pior queda e volatilidade anualizada. A significância estatística foi verificada pelo teste de Kruskal-Wallis, adequado para séries financeiras que não assumem distribuição normal (Tattar et al., 2016).

Os resultados demonstraram que o modelo de árvore de decisão aplicado ao múltiplo apresentou uma acurácia de 74% e uma área sob a curva ROC de 87%. Esse elevado valor de AUC indica uma capacidade robusta de distinguir entre cenários de mercado de alta e condições normais, confirmando o potencial do indicador como variável preditiva. Na simulação de investimentos, a estratégia de buy and hold obteve o maior retorno bruto acumulado, atingindo 510,56%, com um índice de Sharpe de 1,95. Entretanto, essa abordagem expôs o investidor a um risco elevado, com uma queda máxima de 79,36% e volatilidade anualizada de 54,23%. Em comparação, a estratégia baseada no múltiplo Price-to-Utility alcançou um retorno de 370,46% e um índice de Sharpe de 1,92. Embora o retorno absoluto tenha sido inferior ao buy and hold, a estratégia do múltiplo apresentou uma queda máxima reduzida para 57,63%, mantendo a mesma volatilidade anualizada de 54,23%.

A estratégia de cruzamento de médias móveis apresentou o desempenho mais modesto em termos de rentabilidade, com um retorno de 265,41% e índice de Sharpe de 1,75. Contudo, destacou-se pela gestão de risco, registrando a menor volatilidade anualizada do grupo, fixada em 35,35%, e uma queda máxima de 56,77%. A análise comparativa revela que o múltiplo Price-to-Utility atua como um filtro eficiente, permitindo capturar movimentos significativos de valorização ao mesmo tempo em que mitiga perdas severas em períodos de baixa acentuada. O teste de Kruskal-Wallis confirmou a existência de diferenças estatisticamente significativas entre as três estratégias para todos os indicadores analisados, com um p-valor de 0,000. Isso indica que as variações de desempenho não ocorreram ao acaso, mas refletem características intrínsecas de cada método de alocação.

A discussão dos dados evidencia que o múltiplo Price-to-Utility é capaz de antecipar retornos de longo prazo no Ethereum, de forma análoga ao observado em estudos anteriores focados no Bitcoin (Liu e Zhang, 2023). A integração de proxies de utilidade, como velocidade de transação e taxa de staking, contribui para explicar a formação de valor dos criptoativos, corroborando a visão de que fundamentos econômicos on-chain são determinantes para a precificação (De Collibus et al., 2025; Oderbolz et al., 2024). A redução da permanência no mercado em momentos desfavoráveis, proporcionada pela sinalização do múltiplo, resultou em um desempenho ajustado ao risco muito próximo ao do buy and hold, mas com uma preservação de capital superior durante as fases de contração. Enquanto o buy and hold exige uma tolerância extrema à volatilidade e uma convicção de longo prazo inabalável, a estratégia fundamentada no múltiplo mostra-se mais equilibrada para perfis que buscam rentabilidade sem abdicar totalmente de mecanismos de proteção.

Apesar dos resultados promissores, a pesquisa identificou limitações importantes. O estudo restringiu-se ao Ethereum em um período em que seu mecanismo de funcionamento ainda é recente, o que limita o tamanho da amostra e a possibilidade de generalização para ciclos de mercado mais longos. Além disso, a utilização de um único modelo de classificação pode não capturar todas as interações complexas entre as variáveis de utilidade. A ausência de uma validação em dados totalmente fora da amostra, decorrente do tempo limitado de operação da rede sob o regime de Proof of Stake, sugere cautela na aplicação imediata dos resultados. No entanto, a análise empírica comprovou que o múltiplo capturou informações relevantes sobre a dinâmica do ativo, permitindo identificar sinais de subvalorização e sobrevalorização de forma consistente. A integração entre fundamentos econômicos e técnicas quantitativas oferece contribuições tanto para a literatura acadêmica quanto para a gestão prática de portfólios de ativos digitais.

Pesquisas futuras podem expandir essa análise para outros criptoativos que possuam métricas de utilidade comparáveis, além de explorar janelas temporais distintas para testar a robustez do indicador em diferentes regimes de volatilidade. A aplicação de algoritmos mais sofisticados, como florestas aleatórias ou redes neurais, pode revelar ganhos adicionais de desempenho ao capturar relações não lineares entre os componentes da utilidade. A evolução das métricas de valuation em mercados descentralizados é fundamental para reduzir a assimetria de informação e promover uma alocação de capital mais eficiente. O múltiplo Price-to-Utility reforça a importância de olhar para além do preço, focando no uso real e na infraestrutura econômica que sustenta o valor dos tokens no longo prazo.

Conclui-se que o objetivo foi atingido, uma vez que a aplicação do múltiplo Price-to-Utility demonstrou eficácia como métrica de valuation e suporte a estratégias de investimento no Ethereum, apresentando um desempenho competitivo e superior ao cruzamento de médias móveis em termos de retorno absoluto e ajustado ao risco. A análise confirmou que o indicador possui poder discriminativo para identificar cenários de mercado favoráveis, atuando como um filtro que reduz a exposição a quedas severas sem comprometer significativamente a rentabilidade acumulada. Embora o buy and hold tenha apresentado o maior retorno bruto, a estratégia baseada no múltiplo ofereceu uma relação risco-retorno mais equilibrada, evidenciando a relevância de métricas fundamentadas na utilidade econômica para a tomada de decisão em ativos digitais. O estudo contribui para o avanço das metodologias de avaliação on-chain, destacando que a integração de dados operacionais da blockchain com modelos de aprendizado de máquina fornece uma base robusta para a análise financeira em mercados de criptoativos.

Referências Bibliográficas:

DE COLLIBUS, F.; CAMPAJOLA, C.; TESSONE, C. The microvelocity of money in Ethereum. EPJ Data Science, v. 14, n. 1, p. 11, 2025. Disponível em: https://epjdatascience.springeropen.com/articles/10.1140/epjds/s13688-024-00518-6. Acesso em: 27/03/2025.

LI, L. Mitigating Challenges in Ethereum’s Proof-of-Stake Consensus: Evaluating the Impact of EigenLayer and Lido. arXiv preprint arXiv:2410.23422, 2024. Disponível em: https://arxiv.org/html/2410.23422v2. Acesso em: 27/03/2025.

LIU, Y.; TSYVINSKI, A. Risks and returns of cryptocurrency. The Review of Financial Studies, v. 34, n. 6, p. 2689-2727, 2021. Disponível em: https://www.nber.org/system/files/working_papers/w24877/w24877.pdf. Acesso em: 27/03/2025.

LIU, Y.; ZHANG, L. Cryptocurrency valuation: An explainable ai approach. In: Science and Information Conference. Cham: Springer Nature Switzerland, 2023. p. 785-807. Disponível em: https://arxiv.org/pdf/2201.12893. Acesso em: 27/03/2025.

MANKIW, N.G. 2013. Macroeconomics. 8ed. Worth Publishers, New York, NY, USA.

ODERBOLZ, N.; MAROSVÖLGYI, B.; HAFNER, M. Towards an Optimal Staking Design: Balancing Security, User Growth, and Token Appreciation. arXiv preprint arXiv:2405.14617, 2024. Disponível em: https://arxiv.org/html/2405.14617v1. Acesso em: 27/03/2025.

PROVOST, F.; FAWCETT, T. 2013. Data Science for Business. 1ed. O’Reilly Media, Sebastopol, CA, USA.

TATTAR, P.N.; RAMAIAH S.; MANJUNATH B.G. 2016. A Course in Statistics with R. John Wiley and Sons, West Sussex, United Kingdom.

Resumo executivo oriundo de Trabalho de Conclusão de Curso da Especialização em Engenharia de Software do MBA USP/Esalq

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