Reinforcement Learning Possibilita Maior Retorno que Otimização Estática? Uma Análise para Criptomoedas no Período de 2021 a 2024

Autores/as

  • Helberte João França Almeida Professor, Dr. Universidade Federal de Santa Catarina
  • Adilson Giovanini Universidade do Estado de Santa Catarina image/svg+xml
  • Vitor Augusto Ferreira Universidad Federal de Santa Catarina image/svg+xml

DOI:

https://doi.org/10.31501/1dzygs20

Resumen

O presente trabalho busca utilizar técnicas de Machine Learning, especificamente o Reinforcement Learning (Aprendizado por Reforço), para otimizar a alocação de recursos em um portfólio composto por cinco criptomoedas de grande capitalização: Bitcoin (BTC), Ethereum (ETH), Binance Coin (BNB), Ripple (XRP) e Solana (SOL) no período de 2021 a 2024. A aplicação do teste não paramétrico de Kruskal-Wallis revelou a ausência de diferença estatisticamente significante (p-valor > 0,05) entre as abordagens em todos os cenários. Os resultados obtidos sinalizam que o modelo de Reinforcement Learning superou as estratégias tradicionais no Bull Market, com um retorno acumulado de 73,26%. Contudo, o modelo enfrentou dificuldades no Bear Market e no Sideways Market, o qual não conseguiu superar a alocação estática. Portanto, conclui-se que o modelo é eficaz em mercados de alta, mas requer ajustes para melhorar seu desempenho em cenários adversos.

Biografía del autor/a

  • Adilson Giovanini, Universidade do Estado de Santa Catarina

    Prof. Dr. Universidade do Estado de Santa Catarina

  • Vitor Augusto Ferreira, Universidad Federal de Santa Catarina

    Graduado, Universidade Federal de Santa Catarina

Descargas

Publicado

2026-10-29

Número

Vol. 26 Núm. 1 (2026)

Sección

Artigos

Licencia

Derechos de autor 2026 Revista Brasileira de Economia de Empresas

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

A submissão de artigo autoriza sua publicação pela Revista Brasileira de Economia de Empresas/Brazilian Journal of Business Economics e implica em garantia de que se trata de trabalho original, o qual não está sendo submetido a nenhum outro periódico. É vedada qualquer reprodução, total ou parcial, de qualquer artigo publicado por outro meio de divulgação, impresso ou eletrônico. Nesse caso, prévia e necessária autorização deve ser solicitada. Caso seja obtida, deve-se fazer constar agradecimento à RBEE/BJBE, que primeiro publicou o artigo. A RBEE/BJBE não paga direitos autorais aos autores dos artigos publicados.

Direitos autorais e licenciamento

A detentora dos direitos autorais da RBEE/BJBE é a Editora Universa da Universidade Católica de Brasília.

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.

A submissão de artigo autoriza sua publicação e implica o compromisso de que o mesmo material não esteja sendo submetido a outro periódico.

A revista não paga direitos autorais aos autores dos artigos publicados.