Evaluating technical analysis indicators as machine-learning features in cryptocurrency trading strategies

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: MACIEL, Matheus Dias
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Ciencia da Computacao
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Machine learning
Algorithmic trading
Technical analysis
Cryptocurrencies
Link de acesso: https://repositorio.ufpe.br/handle/123456789/66725
Resumo: Esta dissertação investiga a eficácia dos indicadores de análise técnica (AT) como variáveis engenheiradas em pipelines de machine learning financeiro para negociação de criptomoedas. Um modelo de regressão XGBoost é empregado para prever os retornos do próximo período no horizonte de candles de um minuto, contrastando estratégias construídas com variáveis de AT em relação àquelas baseadas exclusivamente em dados brutos de mercado (candles e informações agregadas de order book). Para mitigar formas perigosas de viés, adota-se um critério de informação mútua que remove variáveis suspeitas de look-ahead bias, garantindo que os sinais preditivos reflitam dependências genuínas em vez de correlações espúrias com informações futuras. Oconjunto de dados abrange criptomoedas de maior capitalização de mercado, proporci onando uma avaliação robusta em condições voláteis. Os resultados indicam que os indicadores de AT aumentam a acurácia preditiva e melhoram a separação de regimes em certas configu rações quando comparados às variáveis brutas, embora os desfechos variem entre os ativos. Os backtests mostram ainda que estratégias com AT podem gerar alfas positivos antes de custos; contudo, ao se incorporarem taxas de transação e slippage realistas, esses retornos excedentes desaparecem, em consonância com a Hipótese de Mercado Eficiente em sua forma fraca, no horizonte analisado. Conclui-se que, embora os indicadores de AT possam aprimorar o aprendizado do modelo, eles não resultam em lucros persistentes após custos, oferecendo subsídios relevantes para o desenho de estratégias de engenharia de variáveis em negociação de criptoativos. Possibilidades de aprimoramento em estudos futuros também são discutidas
id UFPE_ef1767f9e4100e5ee4608fd9fb5841e8
oai_identifier_str oai:repositorio.ufpe.br:123456789/66725
network_acronym_str UFPE
network_name_str Repositório Institucional da UFPE
repository_id_str
spelling Evaluating technical analysis indicators as machine-learning features in cryptocurrency trading strategiesMachine learningAlgorithmic tradingTechnical analysisCryptocurrenciesEsta dissertação investiga a eficácia dos indicadores de análise técnica (AT) como variáveis engenheiradas em pipelines de machine learning financeiro para negociação de criptomoedas. Um modelo de regressão XGBoost é empregado para prever os retornos do próximo período no horizonte de candles de um minuto, contrastando estratégias construídas com variáveis de AT em relação àquelas baseadas exclusivamente em dados brutos de mercado (candles e informações agregadas de order book). Para mitigar formas perigosas de viés, adota-se um critério de informação mútua que remove variáveis suspeitas de look-ahead bias, garantindo que os sinais preditivos reflitam dependências genuínas em vez de correlações espúrias com informações futuras. Oconjunto de dados abrange criptomoedas de maior capitalização de mercado, proporci onando uma avaliação robusta em condições voláteis. Os resultados indicam que os indicadores de AT aumentam a acurácia preditiva e melhoram a separação de regimes em certas configu rações quando comparados às variáveis brutas, embora os desfechos variem entre os ativos. Os backtests mostram ainda que estratégias com AT podem gerar alfas positivos antes de custos; contudo, ao se incorporarem taxas de transação e slippage realistas, esses retornos excedentes desaparecem, em consonância com a Hipótese de Mercado Eficiente em sua forma fraca, no horizonte analisado. Conclui-se que, embora os indicadores de AT possam aprimorar o aprendizado do modelo, eles não resultam em lucros persistentes após custos, oferecendo subsídios relevantes para o desenho de estratégias de engenharia de variáveis em negociação de criptoativos. Possibilidades de aprimoramento em estudos futuros também são discutidasThis dissertation investigates the effectiveness of technical analysis (TA) indicators as engineered features in financial machine learning pipelines for cryptocurrency trading. An XG Boost regression model is employed to forecast next-period returns at the one-minute candle horizon, contrasting strategies built on TA-augmented features with those relying exclusively on raw market data (candlestick and aggregated order-book information). To mitigate danger ous forms of bias, a mutual information criterion is introduced to filter out variables suspected of look-ahead bias, ensuring that predictive signals capture genuine dependencies rather than spurious foresight. The dataset for this study comprises high-capitalization cryptocurrencies, providing ro bust evaluation in volatile conditions. Results indicate that TA indicators enhance predictive accuracy and improve regime separation in certain configurations when compared with raw features alone, though outcomes vary across assets. Backtesting further shows that TA-based strategies can generate positive alphas before costs; however, once realistic transaction fees and slippage are incorporated, these excess returns vanish, consistent with the weak-form Ef ficient Market Hypothesis in the examined time frame. The findings suggest that while TA features may improve model learning, they do not yield persistent profits after costs, offering relevant insights for feature-engineering design in crypto trading. Directions for future research are also discussedUniversidade Federal de PernambucoUFPEBrasilPrograma de Pos Graduacao em Ciencia da ComputacaoCUNHA, Daniel Carvalho dahttp://lattes.cnpq.br/0015287993396804http://lattes.cnpq.br/8971986984647323MACIEL, Matheus Dias2025-10-31T17:39:52Z2025-10-31T17:39:52Z2025-07-24info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfMACIEL, Matheus Dias. Evaluating technical analysis indicators as machine-learning features in cryptocurrency trading strategies. 2025. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2025.https://repositorio.ufpe.br/handle/123456789/66725enghttps://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPE2025-11-02T19:26:14Zoai:repositorio.ufpe.br:123456789/66725Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212025-11-02T19:26:14Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false
dc.title.none.fl_str_mv Evaluating technical analysis indicators as machine-learning features in cryptocurrency trading strategies
title Evaluating technical analysis indicators as machine-learning features in cryptocurrency trading strategies
spellingShingle Evaluating technical analysis indicators as machine-learning features in cryptocurrency trading strategies
MACIEL, Matheus Dias
Machine learning
Algorithmic trading
Technical analysis
Cryptocurrencies
title_short Evaluating technical analysis indicators as machine-learning features in cryptocurrency trading strategies
title_full Evaluating technical analysis indicators as machine-learning features in cryptocurrency trading strategies
title_fullStr Evaluating technical analysis indicators as machine-learning features in cryptocurrency trading strategies
title_full_unstemmed Evaluating technical analysis indicators as machine-learning features in cryptocurrency trading strategies
title_sort Evaluating technical analysis indicators as machine-learning features in cryptocurrency trading strategies
author MACIEL, Matheus Dias
author_facet MACIEL, Matheus Dias
author_role author
dc.contributor.none.fl_str_mv CUNHA, Daniel Carvalho da
http://lattes.cnpq.br/0015287993396804
http://lattes.cnpq.br/8971986984647323
dc.contributor.author.fl_str_mv MACIEL, Matheus Dias
dc.subject.por.fl_str_mv Machine learning
Algorithmic trading
Technical analysis
Cryptocurrencies
topic Machine learning
Algorithmic trading
Technical analysis
Cryptocurrencies
description Esta dissertação investiga a eficácia dos indicadores de análise técnica (AT) como variáveis engenheiradas em pipelines de machine learning financeiro para negociação de criptomoedas. Um modelo de regressão XGBoost é empregado para prever os retornos do próximo período no horizonte de candles de um minuto, contrastando estratégias construídas com variáveis de AT em relação àquelas baseadas exclusivamente em dados brutos de mercado (candles e informações agregadas de order book). Para mitigar formas perigosas de viés, adota-se um critério de informação mútua que remove variáveis suspeitas de look-ahead bias, garantindo que os sinais preditivos reflitam dependências genuínas em vez de correlações espúrias com informações futuras. Oconjunto de dados abrange criptomoedas de maior capitalização de mercado, proporci onando uma avaliação robusta em condições voláteis. Os resultados indicam que os indicadores de AT aumentam a acurácia preditiva e melhoram a separação de regimes em certas configu rações quando comparados às variáveis brutas, embora os desfechos variem entre os ativos. Os backtests mostram ainda que estratégias com AT podem gerar alfas positivos antes de custos; contudo, ao se incorporarem taxas de transação e slippage realistas, esses retornos excedentes desaparecem, em consonância com a Hipótese de Mercado Eficiente em sua forma fraca, no horizonte analisado. Conclui-se que, embora os indicadores de AT possam aprimorar o aprendizado do modelo, eles não resultam em lucros persistentes após custos, oferecendo subsídios relevantes para o desenho de estratégias de engenharia de variáveis em negociação de criptoativos. Possibilidades de aprimoramento em estudos futuros também são discutidas
publishDate 2025
dc.date.none.fl_str_mv 2025-10-31T17:39:52Z
2025-10-31T17:39:52Z
2025-07-24
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv MACIEL, Matheus Dias. Evaluating technical analysis indicators as machine-learning features in cryptocurrency trading strategies. 2025. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2025.
https://repositorio.ufpe.br/handle/123456789/66725
identifier_str_mv MACIEL, Matheus Dias. Evaluating technical analysis indicators as machine-learning features in cryptocurrency trading strategies. 2025. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2025.
url https://repositorio.ufpe.br/handle/123456789/66725
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Ciencia da Computacao
publisher.none.fl_str_mv Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Ciencia da Computacao
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPE
instname:Universidade Federal de Pernambuco (UFPE)
instacron:UFPE
instname_str Universidade Federal de Pernambuco (UFPE)
instacron_str UFPE
institution UFPE
reponame_str Repositório Institucional da UFPE
collection Repositório Institucional da UFPE
repository.name.fl_str_mv Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)
repository.mail.fl_str_mv attena@ufpe.br
_version_ 1856041892562599936

Registros relacionados