Na Habr AI, propuseram usar o sentimento das notícias como sinal de trading para o mercado cripto

Um novo artigo descreve uma abordagem em que o sinal de trading para o mercado cripto é construído não em gráficos de preços, mas em mudanças no sentimento das notícias. O autor argumenta que as reversões intradiárias são mais frequentemente explicadas por cascatas de publicações e compartilhamentos do que pelo histórico de preços.

Por Que os Sinais Falham

O artigo examina um problema típico da análise técnica: médias móveis e outros indicadores se ajustam aos dados passados e assumem que o regime de mercado é suficientemente estável. Mas no mercado cripto, o sentimento pode mudar de alta para baixa e voltar várias vezes em um dia. Quando isso acontece, até mesmo uma estratégia cuidadosamente ajustada começa a produzir ruído em vez de direção, porque responde à estrutura de mercado de ontem, não ao fluxo fresco de mensagens que já está mudando o comportamento dos participantes.

"O sentimento das notícias determina o regime.

O indicador funciona dentro do regime."

De acordo com o autor, o problema não está apenas nas notícias em si, mas na mecânica de sua distribuição. Os preços são movidos não por documentos regulatórios áridos ou pela própria publicação de um relatório, mas por uma cadeia de compartilhamentos, comentários e interpretações nos domínios e blogs que os investidores varejistas acompanham. Por isso, o mercado reage ao ambiente de mídia mais rápido do que os indicadores clássicos conseguem se ajustar, e tentar aplicar o mesmo conjunto de sinais a todos os regimes frequentemente resulta em algo próximo a 50/50.

Como Encontrar Sentimento

A parte prática é construída em torno de busca vetorial em notícias e posts com interpretação subsequente usando LLM. O autor propõe não misturar essas tarefas: embeddings e distância cosseno são necessários para extrair o array de notícias relevante por significado, enquanto o modelo de linguagem deve avaliar separadamente o sentimento geral da amostra. As ferramentas mencionadas incluem combinações usando Scrapy, PostgreSQL com PgVector, MongoDB Atlas Vector Search e, para começar rapidamente, Tavily e Perplexity Search API.

• Buscar não apenas correspondências exatas, mas contexto semântico em torno do ativo.
• Não considerar a pontuação máxima como o melhor sinal; em vez disso, analisar menções fronteiriças.
• Primeiro filtrar domínios e autores influentes, depois refinar a consulta.
• Manter uma janela de tempo rigorosa para que a positividade matinal não se misture com negatividade vespertina.
• Separar a busca de publicações da análise de sentimento para que o LLM não substitua interpretação por fato.

Ênfase especial é colocada no tempo de publicação. O artigo recomenda excluir materiais sem um timestamp preciso; caso contrário, o viés de look-ahead entra na seleção e a estratégia começa a ver o futuro em retrospecto. Para busca, propõe-se usar um intervalo de dois dias, então filtrar as últimas 24 horas internamente. O autor considera exatamente 24 horas a janela ideal: já fornece contexto mas não desfoca a direcionalidade do sentimento em ruído estatístico.

Teste em Mercado

Para testar a hipótese, o autor mostra dois casos de Bitcoin: em um, a consulta deu sentimento neutro-baixista, em outro — alta. Essas avaliações são então comparadas com a reação subsequente do mercado. Formalmente, isso não parece pesquisa acadêmica completa, mas como demonstração de engenharia, a ideia fica clara: o background de notícias pode ser usado não como preditor absoluto de preço, mas como filtro de regime dentro do qual decisões de entrada são tomadas.

A abordagem então avança para automação. Pela descrição, um agente de IA recebe um sinal de notícias, abre uma posição e a mantém até o esgotamento do sentimento, usando um hard stop estatisticamente inatingível e trailing take-profit para controle de risco. O autor também nomeia o ponto fraco diretamente: se sair apenas em mudanças de sentimento, você pode perder parte dos lucros devido a atrasos de parsing e latência de entrega de notícias.

Portanto, como melhoria, é proposto sair em um pullback de 3% do PnL máximo da posição aberta.

O Que Significa

Para trading algorítmico em mercados movidos por notícias e que mudam rapidamente como cripto, este é outro sinal de que a batalha não é apenas sobre qualidade de modelo mas também sobre qualidade de fonte, timing e filtragem de ruído. Se a hipótese do autor resistir a testes mais amplos, a prioridade pode mudar de complicar indicadores para sistemas que leem melhor o sentimento de mercado em tempo real.