Pesquisas recentes da Kaiko, Binance Research e grupos acadêmicos revelam que modelos de IA, incluindo redes neurais, oferecem precisão preditiva limitada nos mercados de criptomoedas. Modelos clássicos de aprendizado de máquina alcançam apenas de 2 a 6 por cento de precisão acima do acaso, enquanto modelos avançados como LSTM e GRU atingem cerca de 8 por cento, mas apenas em janelas de teste curtas. Esses modelos enfrentam dificuldades com dados novos devido a mudanças no regime de mercado, aumento de ruído e eventos macroeconômicos, levando a quedas significativas na precisão durante períodos de alta volatilidade. Algoritmos de livro de ordens podem explicar de 15 a 25 por cento dos micromovimentos, mas são eficazes apenas em horizontes de minutos com liquidez profunda. Sinais on-chain, como grandes entradas de stablecoins ou saídas significativas de Bitcoin, fornecem correlações úteis, mas não previsões garantidas. Especialistas recomendam o uso de modelos em conjunto, monitoramento de desvios de dados e incorporação de filtros de regime para melhorar a eficácia da IA. No entanto, a IA deve fazer parte de uma estratégia mais ampla que inclua dados on-chain, análise do livro de ordens e modelos de risco para aprimorar a tomada de decisão no trading de criptomoedas.