unCoded

Laboratório de Probabilidade

Calculadora de Probabilidade Cripto

As chances reais de qualquer alvo de preço em cripto, calculadas por simulação de Monte Carlo. Veja se o Bitcoin, o Ethereum ou uma altcoin fecha acima de um nível, fica dentro de uma faixa, toca um preço antes do prazo ou chega ao alvo antes do stop. Roda inteiramente no seu navegador, sem cadastro.

Início rápido

Configuração

Usando 45,0% ao ano (modo manual, sem dados).

50/50
+Configurações do modelo

Precisa das máximas e das mínimas. A fonte de dados atual fornece apenas os fechamentos.

Zero por padrão, e isso é proposital. Supor uma direção é o que transforma uma ferramenta de probabilidade em um desejo.

Mesma semente, mesmas trajetórias. Mude a semente para ver quanto da resposta é ruído da simulação.

+Compare com um preço de mercado

Se um mercado de previsões ou uma opção cotar esse resultado, coloque o preço aqui. A ferramenta diz se a divergência entre o modelo e o mercado é grande o suficiente para importar.

O que o mercado cobra por esse resultado, na forma de probabilidade.

Abaixo disso, a ferramenta reporta sem vantagem. O modelo não é preciso o suficiente para discutir diferenças pequenas.

Opcional. Usado apenas para transformar uma fração de Kelly em um valor apostado.

Os dados em tempo real não estão disponíveis agora. A calculadora continua funcionando: defina você mesmo o preço spot e a volatilidade, e todos os números abaixo continuam válidos.

Para onde o preço pode ir
Trajetórias simuladas, com os 50% e os 90% centrais sombreados. O cone se abre com a raiz quadrada do tempo, e é por isso que um alvo duas vezes mais distante tem bem menos da metade da probabilidade.

Leitura

Probabilidade
25,2 %
Faixa de 24,6 % a 25,8 % (dispersão entre os métodos)

Chance de Bitcoin fechar acima de $125.000 em 7 dias (volatilidade 45%, modo manual, sem dados).

O que cada método diz
Fórmula
24,6 %
Monte Carlo
25,8 %
Histórico
--
Divergência
1,2 pp
O quanto os métodos estão distantes entre si. Esta é a incerteza honesta.

Resumo da operação

Distância até o alvo
+4,2 % (0,67σ)
Movimento esperado (1σ)
±7.478
Banda de 1σ
112.522 - 127.478
Retorno implícito para atingir
212,9 %

O movimento que o seu alvo exige, anualizado, para que uma semana e um ano fiquem na mesma escala. Leia esse número em comparação com o que este ativo de fato rendeu: se o seu alvo exige várias vezes isso, as chances acima são aritmética, não uma previsão.

Chance por +1 ponto de vol
+0,4 pp
Chance por +1 dia
+1,3 pp

A probabilidade sozinha não define o tamanho da posição. A distância até o alvo em sigma é o primeiro número a ler: abaixo de um sigma é um movimento comum, além de dois é um movimento raro. As duas sensibilidades mostram o quanto da sua resposta se apoia em números que você estimou em vez de ler.

Distribuição no prazo
Onde o preço termina em todas as trajetórias simuladas. A parte sombreada é o resultado sobre o qual você perguntou.

Risco de segurar a posição

Value at Risk 95%
9,9 %
Expected Shortfall 95%
12,1 %
Value at Risk 99%
13,5 %
Expected Shortfall 99%
15,1 %
Referência log-normal
9,9 %
Drawdown mediano
5,9 %
Pior drawdown (percentil 90)
11,0 %
Drawdown pior que 10%
13,5 %
Drawdown pior que 20%
0,0 %
Drawdown pior que 30%
0,0 %
Trajetórias que terminam abaixo da entrada
50,7 %
Trajetórias de Monte Carlo
3.000

O Value at Risk é a perda que você só ultrapassa nos piores casos: os piores 5% no nível 95, o pior 1% no nível 99. O Expected Shortfall é a perda média nesses casos, e é o número que importa, porque diz o quão ruins os dias ruins realmente ficam.

Como a resposta se move
A probabilidade ao longo de uma faixa de volatilidades. Uma linha íngreme significa que sua resposta depende muito de um número que você apenas estimou.
Escada de probabilidades
A mesma pergunta, feita em níveis que vão de 40% abaixo do preço até 50% acima. A linha do modelo é a fórmula; a linha do histórico é a frequência com que este ativo de fato fez isso. Onde as duas se separam, o modelo está supondo algo que o passado não sustenta.

Volatilidade

Usada nesta resposta
45 %
modo manual, sem dados

Este modelo já acertou antes?

Sem calibração para esta pergunta. Túnel e corrida são decididos pela trajetória inteira, e o teste walk-forward só pontua perguntas que consegue resolver a partir de um único preço de fechamento. Históricos curtos também deixam poucos casos independentes para pontuar.

O que uma calculadora de probabilidade cripto realmente faz

A maioria das ferramentas que se chamam de calculadora cripto só calcula lucro e prejuízo: você digita um preço de compra e um preço de venda e ela devolve um retorno. Este é um instrumento diferente. Uma calculadora de probabilidade cripto responde à pergunta que vem antes de qualquer operação: qual é a chance de o movimento acontecer? Informe um preço-alvo e um prazo e ela devolve a probabilidade, baseada em quanto o ativo de fato se move, e não na opinião de alguém sobre direção. A direção é o que você informa. As chances são o resultado.

Isso importa ainda mais quando o mercado já cota um preço para a mesma pergunta. Um mercado de previsão de Bitcoin que paga se o BTC superar um nível até sexta-feira está cotando uma probabilidade implícita. Esta calculadora te dá uma segunda opinião independente, vinda da volatilidade do próprio ativo, e depois mostra a diferença e se ela sobrevive aos custos de negociação. É a mesma disciplina que uma mesa de operações aplica a uma cotação de opções, em um formato que qualquer pessoa consegue rodar no navegador.

Quando a página carrega, ela já vem com a pergunta que a maioria das pessoas procura: um preço-alvo redondo logo acima do preço atual, fechar acima dentro de uma semana. Troque o ativo e o alvo é recalculado automaticamente. Mude o alvo, o horizonte ou o tipo de pergunta e ela mantém a sua escolha daí em diante.

Como as probabilidades são calculadas

O primeiro modelo é a abordagem log-normal tirada do apreçamento de opções, o termo N(d2) conhecido do arcabouço de Black-Scholes. Ele pega o preço atual, o seu alvo, o tempo restante e uma volatilidade anualizada, e devolve a probabilidade de o preço fechar além do alvo com drift zero. A volatilidade é medida a partir dos fechamentos diários ao vivo, como o desvio padrão dos retornos logarítmicos, anualizada pela raiz quadrada de 365, porque o mercado cripto negocia todos os dias do ano.

O segundo modelo dispensa a teoria. Ele varre o registro histórico e conta com que frequência o ativo de fato percorreu a distância necessária dentro do seu horizonte. Se o Bitcoin precisa subir 8 por cento em 30 dias, a ferramenta checa cada janela de 30 dias do período histórico analisado e informa a taxa de acerto. Como as janelas se sobrepõem, as amostras não são totalmente independentes, então o resultado também mostra o número efetivo de blocos não sobrepostos e um intervalo de Wilson de 95 por cento por trás desse número.

O terceiro motor é uma simulação de Monte Carlo que gera milhares de trajetórias de preço de Bitcoin ou altcoins passo a passo, a mesma abordagem de simulação que os quants usam para mapear uma distribuição de probabilidade de preços futuros. Ele concorda com a fórmula fechada nas perguntas simples, o que é uma autoverificação útil, mas também faz coisas que as fórmulas não conseguem: trajetórias com caudas gordas, perguntas de toque com caudas gordas e o cone de preço completo que você vê no topo. Uma sutileza que vale conhecer: a opção de caudas gordas aplica uma distribuição t de Student ao retorno de todo o horizonte, enquanto o motor de Monte Carlo aplica caudas gordas a cada passo, e muitos passos com caudas gordas se agregam em direção a um formato normal. Os dois podem divergir legitimamente em horizontes longos, e essa diferença é mais uma medida honesta de risco de modelo. O número em destaque é a mediana dos três motores. Vale entender bem o que isso significa: para as perguntas de fechar, faixa, túnel e tocar, a fórmula fechada e o Monte Carlo estimam a mesma grandeza e concordam dentro do ruído de simulação, então a mediana é igual ao valor do modelo e o Monte Carlo funciona principalmente como uma autoverificação numérica; a taxa de acerto histórica é o referencial independente da realidade, e a dispersão entre a estimativa mais alta e a mais baixa dos motores é mostrada como divergência entre eles. Só a pergunta de corrida, que não tem fórmula fechada, deixa a simulação e o histórico definirem o destaque diretamente. Uma divergência grande é informação, mas leia com cuidado: numa aposta direcional em um horizonte longo, parte da diferença entre o modelo e o histórico é o próprio drift realizado do ativo e o seu regime de volatilidade, não apenas incerteza de modelo.

Fechar, faixa e tocar

Essas perguntas têm nomes precisos no mercado de opções, e esta calculadora as traz para o mundo cripto. Uma pergunta de fechamento é a probabilidade de expirar dentro ou fora do dinheiro (probabilidade ITM/OTM), a chance de o preço estar acima ou abaixo de um nível exatamente no prazo. Uma pergunta de toque é a probabilidade de toque (POT), ou seja, se o preço alcança um nível em algum momento antes do prazo, mesmo que recue depois. As duas não são intercambiáveis. As chances de toque são sempre maiores, e para uma barreira perto do spot elas chegam perto do dobro das chances de fechamento, porque o preço só precisa chegar lá uma vez. A ferramenta usa a fórmula de primeira passagem do movimento browniano geométrico para as perguntas de toque, então um mercado que pergunta "o Bitcoin vai bater 130k esta semana" recebe a resposta certa, em vez da probabilidade de fechamento, bem mais baixa. Com as caudas gordas ativadas, o motor de Monte Carlo trata o caso de toque diretamente.

A pergunta de faixa é a diferença entre duas probabilidades de fechamento, útil para o formato de mercado comum "o preço vai estar entre X e Y na liquidação".

Volatilidade implícita e valor justo

Quando você insere um preço de mercado, a ferramenta resolve o modelo ao contrário para achar a volatilidade implícita (IV), a única volatilidade que faria o modelo concordar com aquele preço. Isso reformula a pergunta inteira. Em vez de discutir sobre uma probabilidade, você compara duas volatilidades: a que o mercado está cobrando e a que o ativo de fato entregou. Se um contrato de uma semana está apreçado como se a volatilidade anualizada fosse 90 por cento enquanto o Bitcoin vem realizando 50, o contrato está caro, e a probabilidade do modelo fica abaixo do preço de mercado. O bloco de valor justo e valor esperado então transforma essa diferença em dinheiro: o preço do modelo em centavos, o lucro esperado por contrato depois dos custos, e o retorno sobre o valor apostado.

A probabilidade nem sempre é monotônica em relação à volatilidade, então o solver varre toda a faixa de volatilidade e informa honestamente quando duas volatilidades reproduzem o mesmo preço, ou quando nenhuma volatilidade consegue reproduzir o preço de mercado. Um preço acima do teto do modelo significa que o mercado está pagando por algo que uma difusão pura não contém, uma visão direcional ou risco de salto, e a ferramenta diz isso em vez de forçar um número.

A camada profissional

Mesas de operações sérias não medem volatilidade apenas a partir dos preços de fechamento. Um candle diário carrega quatro preços, e os estimadores baseados em amplitude extraem muito mais informação deles: Parkinson usa a amplitude entre máxima e mínima, Garman-Klass e Rogers-Satchell usam o conjunto OHLC completo, e Yang-Zhang combina os componentes overnight, abertura-fechamento e amplitude no estimador não viesado mais eficiente da família, várias vezes mais preciso do que o fechamento a fechamento na mesma janela. O seletor de estimador troca as janelas 30d, 90d e Blend para essas medidas sempre que os candles da Binance estão carregados.

O segundo hábito profissional é tratar a volatilidade como uma previsão, não como uma fotografia. A volatilidade se agrupa em clusters e reverte à média, então o insumo certo para uma pergunta de 30 dias é a volatilidade média esperada ao longo desses 30 dias, não a leitura de hoje. O modo GARCH(1,1) ajusta o modelo de variância padrão ao histórico carregado com variance targeting e produz exatamente essa previsão para o horizonte, junto com o nível de longo prazo, a persistência e a meia-vida de um choque de volatilidade. Quando a volatilidade atual está elevada, o número do GARCH para o horizonte fica abaixo da leitura spot, e acima dela quando a volatilidade está deprimida. A linha do cone de volatilidade mostra em que posição a volatilidade de hoje está em relação ao seu próprio histórico, e a chave opcional de razão de variâncias corrige o escalonamento pela raiz quadrada do tempo para a reversão à média ou o momentum medidos nos retornos de vários dias.

O terceiro acréscimo é a simulação histórica filtrada, o método que os bancos usam para value at risk. Em vez de assumir um formato normal ou t de Student, o modo Histórico divide cada retorno passado pela volatilidade dele na época, depois faz a reamostragem desses resíduos padronizados e os reescala para o nível de volatilidade atual. As trajetórias simuladas carregam a assimetria e o peso de cauda reais do ativo no nível de risco de hoje. As perguntas de toque também ficaram mais honestas no motor histórico: as taxas de acerto agora checam as máximas e mínimas diárias em vez dos fechamentos, então os toques intradiários contam. O destaque é a mediana dos três motores, e a dispersão entre eles diz o quanto o próprio método está em dúvida. Essa dispersão não é o obstáculo que uma vantagem precisa superar, por mais tentador que seja usá-la como tal. O obstáculo vem, na verdade, da barra de erro da estimativa de volatilidade, porque os três motores também discordam sobre o drift, e o drift é uma premissa que você forneceu, não algo que o mercado lhe disse.

Túnel, corrida e risco de salto

A versão 2 acrescenta as três perguntas e a única fonte de risco que os motores originais não conseguiam expressar. A pergunta de túnel questiona se o preço permanece dentro de uma banda durante todo o período, sem tocar nenhum dos lados, o double no-touch dos exóticos de câmbio. É outro bicho, bem diferente de fechar dentro da mesma banda: com volatilidade de 60 por cento, uma banda dentro da qual o Bitcoin fecha dois terços das vezes é mantida do começo ao fim mal um terço das vezes. A ferramenta a apreça com a expansão por imagens de barreira dupla (a mesma matemática do resultado de fronteira curva de Kunitomo e Ikeda), com verificação cruzada contra as trajetórias de Monte Carlo e contra o registro histórico de janelas completas que nunca saíram da banda.

A corrida A antes de B é a pergunta real do trader: o preço toca o take profit antes do stop loss, dentro do prazo? Os mercados de previsão cotam exatamente esse formato. Não existe fórmula fechada simples com prazo, então o motor de Monte Carlo responde trajetória por trajetória, a primeira barreira atingida vence, o motor histórico reproduz cada janela passada com as máximas e mínimas diárias, e a clássica fórmula da ruína do jogador fornece o limite sem prazo como âncora. O resultado também mostra com que frequência a corrida chega a ser decidida antes de o tempo acabar, e o tempo mediano até uma decisão.

A distribuição de difusão com saltos (Merton 1976) aceita que o mercado cripto dá gaps. A variação bipower separa a variância medida em uma parte difusiva suave e uma parte descontínua (Barndorff-Nielsen e Shephard 2004), um detector de 4 sigma sobre retornos padronizados pela volatilidade conta os saltos e mede o tamanho deles, e a probabilidade de fechamento vira uma mistura de Poisson de gaussianas. Para um alvo distante em um prazo curto, onde um único salto é o principal caminho para chegar lá, o modelo com saltos e os modelos suaves divergem, e essa divergência é exatamente o prêmio de risco de salto que as mesas de opções apreçam. As perguntas de toque com saltos vão para o motor de Monte Carlo, que joga saltos de Poisson composto em cada trajetória.

Risco, e se o modelo merece as probabilidades que entrega

Uma probabilidade sozinha não descreve o que a posição pode fazer com você no caminho. O painel de risco lê o value at risk e o expected shortfall a 95 e 99 por cento direto da distribuição terminal simulada, a medida de risco coerente de Artzner et al. (1999) na forma exata que Rockafellar e Uryasev (2000) tornaram padrão, ao lado das chances de sofrer um drawdown de 10, 20 ou 30 por cento em algum momento antes do prazo, que as fórmulas fechadas não enxergam porque é uma propriedade da trajetória. Tudo isso vem das mesmas trajetórias da probabilidade em destaque, então os números não têm como discordar entre si silenciosamente.

O backtest de calibração é o recurso ao qual o resto da ferramenta presta contas. Ele reproduz exatamente a sua pergunta, mesma distância relativa e mesmo horizonte, em cada data do histórico carregado, forma a probabilidade usando apenas os dados disponíveis naquela data, e pontua as previsões com o Brier score (Brier 1950), a regra de pontuação estritamente própria para probabilidades (Gneiting e Raftery 2007). O painel mostra o Brier do modelo contra o simples chute da taxa base, a porcentagem de habilidade resultante, e uma tabela de confiabilidade por faixa de previsão. Quando o modelo não tem habilidade na sua pergunta, o painel diz isso, e a resposta honesta é ampliar a sua incerteza, não confiar mais no número em destaque. A própria taxa de acerto histórica agora vem com um intervalo de Wilson (Wilson 1927), o intervalo binomial que se comporta corretamente com amostras efetivas pequenas, calculado sobre blocos não sobrepostos.

Por fim, a probabilidade em destaque carrega a sua própria barra de erro. Uma volatilidade estimada a partir de trinta candles é incerta, essa incerteza se propaga para qualquer probabilidade calculada a partir dela, e o resumo da operação agora mostra a banda de 95 por cento resultante sobre a própria probabilidade. Essa banda não é um intervalo de confiança em torno do número em destaque: o destaque é a mediana de vários motores, e pode ficar fora dela. Quando isso acontece, os motores estão discutindo sobre mais do que a volatilidade. O índice de cauda de Hill (Hill 1975), medido a partir dos retornos carregados, fica no painel de diagnóstico mais abaixo, onde também informa os graus de liberdade que o seu ajuste de caudas gordas deveria carregar, para você ver se esse ajuste combina com a cauda real do ativo. Para Bitcoin e Ethereum, a linha de diagnóstico também puxa o índice DVOL da Deribit, a volatilidade implícita de 30 dias do próprio mercado de opções, de longe o melhor referencial externo para saber se o seu insumo de volatilidade está no patamar certo (Christensen e Prabhala 1998).

Por que "sem vantagem" é a resposta padrão

A verificação de vantagem é deliberadamente rígida. A ferramenta só sinaliza uma vantagem quando a diferença entre o ponto médio do modelo e o preço de mercado supera, ao mesmo tempo, os custos de negociação e a divergência entre os seus próprios modelos. Todo o resto retorna sem vantagem, porque essa é a resposta verdadeira para a maioria dos mercados líquidos na maior parte do tempo. Os preços dos mercados de previsão agregam opiniões apoiadas em dinheiro real e, em média, o preço fica próximo da probabilidade. Uma ferramenta que encontra uma operação em todos os mercados está fabricando sinais, não fazendo análise. Esta foi construída para dizer não.

Para uma referência mais forte do que a volatilidade realizada, informe a volatilidade implícita das opções da Deribit com vencimento semelhante como volatilidade manual e ative as caudas gordas. Se a fórmula fechada e a taxa de acerto histórica discordarem fortemente em um alvo extremo, as caudas gordas costumam reduzir a diferença, o que é um indício de que o problema estava na distribuição normal.

Três refinamentos vindos da pesquisa

O modelo de caudas se adapta ao horizonte. Os retornos do Bitcoin têm caudas extremamente gordas em horas e dias, mas convergem para um formato normal ao longo de semanas e meses, uma propriedade chamada gaussianidade agregacional. Com o ajuste automático ligado, os graus de liberdade das caudas gordas variam conforme o prazo: uma pergunta de sete dias recebe caudas mais gordas do que uma de noventa dias, o que corresponde ao índice de cauda medido em vez de supor um único valor fixo. O campo mostra o valor em uso conforme você muda o horizonte.

O efeito de alavancagem está disponível como uma chave liga-desliga. O mercado cripto, assim como as ações, tende a cair mais rápido do que sobe, e essa assimetria é mensurável nos retornos do Bitcoin. Ligá-lo adiciona uma assimetria negativa escalonada pelo horizonte à simulação e à fórmula fechada, de modo que as perguntas de fechar abaixo e tocar abaixo recebem o peso extra de queda que merecem, e o cone de preço se abre mais abaixo do spot do que acima dele. Vem desligado por padrão porque é uma opinião de modelagem, não uma certeza, mas é o padrão mais realista para o risco de queda.

A estimativa de volatilidade vem com um intervalo de confiança. Um número de volatilidade lido de trinta candles é, ele mesmo, incerto, e estimadores baseados em amplitude como o Yang-Zhang extraem muito mais informação de cada candle do que uma medida de fechamento a fechamento. O resumo da operação agora mostra a banda de noventa e cinco por cento em torno da estimativa de volatilidade e o quanto o estimador escolhido é mais preciso do que o fechamento a fechamento, para que você veja quanto da probabilidade está apoiado em um dado de volatilidade frágil.

Lendo os números como um trader

A probabilidade sozinha não dimensiona uma operação. O resumo da operação transforma as chances nos números com os quais um trader realmente age. O movimento esperado é a faixa de um desvio padrão para o horizonte, a banda dentro da qual o preço fica mais ou menos duas vezes em cada três, desenhada diretamente no cone de preço como as linhas de mais e menos um sigma. A distância do alvo em sigma mostra num relance se um nível é um movimento rotineiro ou um evento de cauda: abaixo de um sigma é comum, além de dois sigmas é raro. O retorno implícito para atingir anualiza o movimento que o seu alvo exige, então uma semana e um ano ficam na mesma escala; leia esse número em comparação com o que o ativo de fato rendeu, e um alvo que exige várias vezes isso é aritmética, não uma previsão. As sensibilidades por ponto de volatilidade e por dia mostram o quanto as chances são frágeis diante das suas próprias premissas, que é onde a maioria das estimativas de probabilidade erra silenciosamente, e logo abaixo delas o resumo diz o quão bem a volatilidade é conhecida, afinal: a sua própria barra de erro de 95 por cento, o quanto o seu estimador é mais estreito do que o de fechamento a fechamento, e o que essa incerteza vale em pontos de probabilidade.

Quando há um preço de mercado, o bloco de valor justo acrescenta a relação risco-retorno e a taxa de acerto de equilíbrio, os dois números que decidem se um valor esperado positivo compensa a variância. Um contrato pode estar barato e ainda assim ser uma operação ruim se o retorno for pequeno em relação ao risco, e pode parecer caro e mesmo assim pagar porque o retorno é grande. Ler probabilidade, risco-retorno e valor esperado em conjunto é toda a disciplina.

Um simulador de Monte Carlo para preços de cripto

Por baixo do capô, isto é uma simulação de Monte Carlo para Bitcoin, e funciona para qualquer moeda. Ela lê a volatilidade ao vivo do ativo e então gera milhares de trajetórias de preço futuras sob movimento browniano geométrico, com um formato de retorno opcionalmente de caudas gordas ou histórico. O resultado é uma distribuição de probabilidade completa de onde o preço pode estar no seu prazo, desenhada como o cone de preço que se abre em leque, com suas bandas de percentil de 5 a 95 e de 25 a 75. Diferente de uma previsão pontual, que aponta um único número, uma simulação de Monte Carlo mostra toda a dispersão dos resultados e a rapidez com que ela se alarga com o tempo, que é a maneira honesta de pensar sobre um ativo volátil. Você escolhe o número de trajetórias, de mil rápidas a vinte mil suaves, e uma semente fixa mantém qualquer resultado compartilhado reproduzível.

Uma ferramenta de valor justo e vantagem para mercados de previsão

Se você opera perguntas sobre Bitcoin em um mercado de previsão, como um contrato de Sim ou Não sobre se o BTC supera um nível até sexta-feira, isto também serve como calculadora de valor justo e de valor esperado. Informe o preço de mercado e a ferramenta extrai a volatilidade implícita dele, compara com o que o ativo de fato realiza e informa o preço justo em centavos, o valor esperado por contrato depois dos custos e o dimensionamento de Kelly. Ela só sinaliza uma vantagem quando a diferença supera tanto os custos de negociação quanto a divergência entre os seus próprios modelos, de modo que diz não muito mais vezes do que sim. É esse o objetivo: uma verificação de vantagem honesta, não um gerador de sinais.

O que você pode medir

A calculadora cobre as perguntas de preço que traders e participantes de mercados de previsão realmente fazem. Se o Bitcoin vai fechar acima de um número redondo até o fim do mês. Se o Ethereum permanece dentro de uma faixa até um vencimento. Qual a probabilidade de Solana, BNB, XRP ou Dogecoin tocar um nível em algum momento desta semana. Qualquer par spot da Binance funciona pelo campo de símbolo personalizado, então uma altcoin de baixa liquidez está a uma digitação de distância. O preço e a volatilidade ao vivo são carregados automaticamente, ou você pode digitar seus próprios números e trabalhar inteiramente à mão.

Você nem precisa digitar: os botões de início rápido acima da calculadora montam com um clique as versões mais pedidas dessas perguntas com base no preço ao vivo, e a API para agentes embutida nesta página expõe cada motor por trás delas, de modo que um assistente pode extrair o quadro completo de forma programática em vez de lê-lo na tela.

Ela é construída e mantida pela unCoded, o bot de trading de cripto auto-hospedado e não custodial da suíça ArrowTrade AG. Se você quiser transformar uma vantagem de probabilidade em uma estratégia automatizada, a documentação é o lugar para começar. A ferramenta em si continua gratuita e não exige conta.

A ciência por trás da ferramenta

Todo método aqui é um resultado publicado na literatura revisada por pares ou uma referência numérica padrão, não uma caixa-preta proprietária. Cada item abaixo liga um recurso específico da calculadora à sua fonte original, para que os números possam ser rastreados até seus fundamentos.

Os links levam à editora oficial ou ao DOI canônico. A calculadora implementa formas padronizadas e bem estabelecidas desses métodos e é uma ferramenta educacional, não uma alegação de pesquisa inédita. Modelos simplificam a realidade, e nenhuma estimativa de probabilidade elimina o risco de mercado.

Black, F. and Scholes, M. (1973). The Pricing of Options and Corporate Liabilities. Journal of Political Economy, 81(3), 637 to 654. doi:10.1086/260062
Sustenta o modelo log-normal: a probabilidade N(d2) de o preço fechar além de um alvo.
Kelly, J. L. (1956). A New Interpretation of Information Rate. Bell System Technical Journal, 35(4), 917 to 926. doi:10.1002/j.1538-7305.1956.tb03809.x
O critério de Kelly por trás do painel de dimensionamento de posição, sempre exibido em fração para respeitar o erro de estimação.
Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, 31(3), 307 to 327. doi:10.1016/0304-4076(86)90063-1
O modo de volatilidade GARCH(1,1): prevê a volatilidade média ao longo do seu horizonte em vez de usar a leitura de hoje.
Parkinson, M. (1980). The Extreme Value Method for Estimating the Variance of the Rate of Return. Journal of Business, 53(1), 61 to 65. doi:10.1086/296071
O estimador de volatilidade de máxima e mínima de Parkinson, o primeiro dos estimadores baseados em amplitude oferecidos.
Garman, M. B. and Klass, M. J. (1980). On the Estimation of Security Price Volatilities from Historical Data. Journal of Business, 53(1), 67 to 78. doi:10.1086/296072
O estimador de volatilidade OHLC de Garman-Klass, selecionável para as janelas de 30d, 90d e mista.
Rogers, L. C. G. and Satchell, S. E. (1991). Estimating Variance from High, Low and Closing Prices. The Annals of Applied Probability, 1(4), 504 to 512. doi:10.1214/aoap/1177005835
O estimador de Rogers-Satchell, robusto ao drift, e um dos blocos de construção do estimador de Yang-Zhang abaixo.
Yang, D. and Zhang, Q. (2000). Drift-Independent Volatility Estimation Based on High, Low, Open, and Close Prices. Journal of Business, 73(3), 477 to 492. doi:10.1086/209650
O estimador de Yang-Zhang, o mais eficiente da família, usado como medida padrão baseada em amplitude e na linha de diagnósticos.
Barone-Adesi, G., Giannopoulos, K. and Vosper, L. (1999). VaR without Correlations for Portfolios of Derivative Securities. Journal of Futures Markets, 19(5), 583 to 602. doi:10.1002/(SICI)1096-9934(199908)19:5<583::AID-FUT5>3.0.CO;2-S
Simulação histórica filtrada, o método por trás da distribuição de retorno Histórica, que reamostra os próprios retornos padronizados do ativo.
Begusic, S., Kostanjcar, Z., Stanley, H. E. and Podobnik, B. (2018). Scaling Properties of Extreme Price Fluctuations in Bitcoin Markets. Physica A: Statistical Mechanics and its Applications, 510, 400 to 406. doi:10.1016/j.physa.2018.06.131
Mede um expoente de cauda de lei de potência entre 2 e 2,5 para o Bitcoin, mais gordo do que os cerca de 3 das ações. É a base empírica da opção de caudas gordas (Student-t).
de Sousa Filho, F. N. M., Silva, J. N., Bertella, M. A. and Brigatti, E. (2021). The Leverage Effect and Other Stylized Facts Displayed by Bitcoin Returns. Brazilian Journal of Physics (2021). doi:10.1007/s13538-020-00846-8
Fundamenta dois refinamentos do motor: o peso das caudas escalonado pelo horizonte (os retornos convergem para a normal em horizontes mais longos) e o efeito de alavancagem (retornos negativos elevam a volatilidade), que comandam os graus de liberdade automáticos e a chave de alavancagem.
Wolfers, J. and Zitzewitz, E. (2004). Prediction Markets. Journal of Economic Perspectives, 18(2), 107 to 126. doi:10.1257/0895330041371321
A evidência de que os preços de mercados de previsão líquidos são estimativas de probabilidade precisas, razão pela qual a verificação de vantagem trata o preço de mercado como uma referência séria.
Merton, R. C. (1976). Option Pricing When Underlying Stock Returns Are Discontinuous. Journal of Financial Economics, 3(1-2), 125 to 144. doi:10.1016/0304-405X(76)90022-2
O modelo de difusão com saltos por trás da distribuição Saltos: probabilidades de fechamento como uma mistura de Poisson de gaussianas, com saltos em cada trajetória de Monte Carlo.
Barndorff-Nielsen, O. E. and Shephard, N. (2004). Power and Bipower Variation with Stochastic Volatility and Jumps. Journal of Financial Econometrics, 2(1), 1 to 37. doi:10.1093/jjfinec/nbh001
Variação bipower, o estimador que separa a variância realizada em suas partes difusiva e de saltos, usado para estimar o modelo de saltos a partir do histórico carregado.
Kunitomo, N. and Ikeda, M. (1992). Pricing Options with Curved Boundaries. Mathematical Finance, 2(4), 275 to 298. doi:10.1111/j.1467-9965.1992.tb00033.x
A família de expansões por imagens de barreira dupla por trás da probabilidade do túnel (double no-touch).
Glosten, L. R., Jagannathan, R. and Runkle, D. E. (1993). On the Relation between the Expected Value and the Volatility of the Nominal Excess Return on Stocks. Journal of Finance, 48(5), 1779 to 1801. doi:10.1111/j.1540-6261.1993.tb05128.x
GJR-GARCH: o modelo de volatilidade assimétrica ajustado junto com o GARCH(1,1); usado para a previsão do horizonte quando um teste da razão de verossimilhança indica que a assimetria é real.
Artzner, P., Delbaen, F., Eber, J.-M. and Heath, D. (1999). Coherent Measures of Risk. Mathematical Finance, 9(3), 203 to 228. doi:10.1111/1467-9965.00068
Por que o painel de risco reporta o expected shortfall e não apenas o VaR: o ES é a medida de risco coerente da dupla.
Rockafellar, R. T. and Uryasev, S. (2000). Optimization of Conditional Value-at-Risk. Journal of Risk, 2(3), 21 to 41. doi:10.21314/JOR.2000.038
A formulação padrão de CVaR / expected shortfall, calculada a partir da distribuição terminal simulada no painel de risco.
Brier, G. W. (1950). Verification of Forecasts Expressed in Terms of Probability. Monthly Weather Review, 78(1), 1 to 3. doi:10.1175/1520-0493(1950)078<0001:VOFEIT>2.0.CO;2
O Brier score, a espinha dorsal do painel de backtest de calibração.
Gneiting, T. and Raftery, A. E. (2007). Strictly Proper Scoring Rules, Prediction, and Estimation. Journal of the American Statistical Association, 102(477), 359 to 378. doi:10.1198/016214506000001437
Por que uma regra de pontuação estritamente própria é a maneira certa de julgar as probabilidades do modelo, e por que o backtest não pode ser burlado com previsões em cima do muro.
Wilson, E. B. (1927). Probable Inference, the Law of Succession, and Statistical Inference. Journal of the American Statistical Association, 22(158), 209 to 212. doi:10.1080/01621459.1927.10502953
O intervalo de Wilson sobre a taxa de acerto histórica, calculado em blocos não sobrepostos, substituindo o erro padrão normal simples.
Hill, B. M. (1975). A Simple General Approach to Inference About the Tail of a Distribution. The Annals of Statistics, 3(5), 1163 to 1174. doi:10.1214/aos/1176343247
O índice de cauda de Hill no painel de diagnósticos, medido a partir dos retornos carregados; ele também serve como sugestão baseada em dados para os graus de liberdade da Student-t.
Lo, A. W. and MacKinlay, A. C. (1988). Stock Market Prices Do Not Follow Random Walks: Evidence from a Simple Specification Test. Review of Financial Studies, 1(1), 41 to 66. doi:10.1093/rfs/1.1.41
A estatística de razão de variâncias por trás da chave opcional de escalonamento da volatilidade pelo horizonte e da leitura no painel de diagnósticos.
Jarque, C. M. and Bera, A. K. (1980). Efficient Tests for Normality, Homoscedasticity and Serial Independence of Regression Residuals. Economics Letters, 6(3), 255 to 259. doi:10.1016/0165-1765(80)90024-5
O teste de normalidade no painel de diagnósticos que informa se o ajuste Normal é defensável para os dados carregados.
Ljung, G. M. and Box, G. E. P. (1978). On a Measure of Lack of Fit in Time Series Models. Biometrika, 65(2), 297 to 303. doi:10.1093/biomet/65.2.297
O teste de Ljung-Box sobre os retornos e os retornos ao quadrado no painel de diagnósticos: a versão com retornos ao quadrado é a evidência de agrupamento de volatilidade que justifica o GARCH.
Christensen, B. J. and Prabhala, N. R. (1998). The Relation Between Implied and Realized Volatility. Journal of Financial Economics, 50(2), 125 to 150. doi:10.1016/S0304-405X(98)00034-8
Por que a referência de volatilidade implícita das opções DVOL da Deribit aparece ao lado do seu campo de volatilidade realizada: a volatilidade implícita contém informação real sobre a volatilidade realizada futura.
Broadie, M., Glasserman, P. and Kou, S. (1997). A Continuity Correction for Discrete Barrier Options. Mathematical Finance, 7(4), 325 to 349. doi:10.1111/1467-9965.00035
O viés de monitoramento discreto no cruzamento de barreiras; o Monte Carlo da corrida aplica uma correção de continuidade por ponte browniana para que suas chances de primeira passagem correspondam ao monitoramento contínuo em qualquer tamanho de passo.
West, G. (2009). Better Approximations to Cumulative Normal Functions. Wilmott Magazine, 70 to 76.
A normal cumulativa em precisão dupla baseada em Hart, usada em toda a ferramenta; as probabilidades são lidas diretamente pela cauda superior, de modo que as chances de alvos muito fora do dinheiro mantêm precisão relativa total em vez de colapsar para zero.
Self, S. G. and Liang, K.-Y. (1987). Asymptotic Properties of Maximum Likelihood Estimators and Likelihood Ratio Tests Under Nonstandard Conditions. Journal of the American Statistical Association, 82(398), 605 to 610. doi:10.1080/01621459.1987.10478472
Como o termo de alavancagem do GJR fica na fronteira do espaço de parâmetros, a razão de verossimilhança entre GARCH e GJR é testada contra a mistura correta de qui-quadrados meio a meio, de modo que o modelo assimétrico não é nem selecionado demais nem de menos.

Perguntas frequentes

Estas são as perguntas que as pessoas mais fazem sobre probabilidade em cripto: o que o número significa, de onde ele vem e onde ele deixa de ser útil. As respostas aqui são curtas. O raciocínio por trás delas está nas seções acima.

Esta calculadora consegue prever para onde o Bitcoin vai?
Não. Ela não prevê direção. Ela estima qual a probabilidade de um movimento de determinado tamanho acontecer dentro de determinado tempo, com base em quanto o ativo realmente oscila. A direção é o seu input, as chances são o resultado.
Qual é a diferença entre uma pergunta de fechamento e uma pergunta de toque?
Uma pergunta de fechamento quer saber onde o preço termina no prazo. Uma pergunta de toque quer saber se o preço alcança um nível em algum momento antes do prazo. As chances de toque são sempre maiores, muitas vezes quase o dobro para uma barreira próxima, porque o preço só precisa chegar lá uma vez.
O que significa o número da volatilidade implícita?
É a volatilidade que faria o modelo concordar com o preço de mercado que você digitou. Se o mercado implica uma volatilidade muito maior do que a que o ativo realmente apresenta, o contrato parece caro, e o contrário vale se ele implica uma volatilidade menor. Alguns preços de mercado são inalcançáveis com qualquer volatilidade, o que significa que o mercado está precificando uma visão direcional ou risco de salto.
Qual configuração de volatilidade eu devo usar?
A mistura da volatilidade realizada de 30 e 90 dias é o padrão sensato. O EWMA reage mais rápido a uma mudança de regime. Para um teste de estresse, digite a volatilidade implícita das opções da Deribit com vencimento parecido como volatilidade manual.
Qual medida de volatilidade os profissionais usam?
Estimadores baseados em amplitude, como o Yang-Zhang, em candles OHLC completos para a medição, e uma previsão no estilo GARCH para o horizonte, porque a volatilidade se agrupa em clusters e reverte à média. Esta ferramenta oferece os dois, além da simulação histórica filtrada, para que as trajetórias simuladas carreguem o formato real de retorno do ativo.
Por que a ferramenta diz tantas vezes que não há vantagem?
Porque essa costuma ser a verdade. Mercados de previsão líquidos agregam opiniões feitas com dinheiro de verdade, e na média o preço fica perto da probabilidade. A ferramenta só aponta uma vantagem (edge) quando a diferença supera os custos de negociação e a divergência entre os próprios modelos dela.
Esta calculadora de probabilidade cripto é gratuita?
Sim, completamente gratuita, e ela roda inteiramente no seu navegador, sem conta. Preço e volatilidade ao vivo vêm de dados públicos da Binance, com a CoinGecko como alternativa, e nada do que você digita sai do seu dispositivo.
Quais moedas ela suporta?
Bitcoin, Ethereum, Solana, BNB, XRP e Dogecoin estão a um clique, e qualquer outro par spot da Binance funciona pelo campo de símbolo personalizado. Você também pode digitar preço e volatilidade manualmente para um ativo que não está na Binance.
Isto é um simulador de Monte Carlo para Bitcoin?
Sim. O motor roda uma simulação de Monte Carlo com milhares de trajetórias de preço a partir da volatilidade ao vivo e mostra a distribuição de probabilidade resultante como um cone de preço. Ele também confere o resultado contra dois modelos de fórmula fechada e a taxa de acerto histórica, então você recebe uma simulação e uma resposta analítica lado a lado.
O que é a probabilidade de toque?
A probabilidade de toque (POT) é a chance de o preço alcançar um nível em algum momento antes do prazo, mesmo que ele não feche ali. Ela é sempre maior do que a probabilidade de fechamento (no prazo), muitas vezes quase o dobro para um nível próximo, porque o preço só precisa chegar lá uma vez. Selecione Tocar acima ou Tocar abaixo para calculá-la.
O que é a probabilidade de túnel (double no-touch)?
É a chance de o preço ficar dentro de uma banda durante todo o período, sem nunca tocar nenhum dos dois lados. Ela é sempre menor do que a chance de fechar dentro da mesma banda no prazo, muitas vezes de forma dramática, porque o preço precisa sobreviver a cada instante no meio do caminho. A ferramenta calcula isso com uma fórmula de barreira dupla e confere o resultado contra as trajetórias do Monte Carlo e o histórico.
Ela consegue me dizer as chances de bater o meu take profit antes do meu stop loss?
Sim. A pergunta A antes de B coloca dois níveis em corrida: a probabilidade de o preço tocar o seu alvo antes de tocar o seu stop, dentro do prazo. Ela é respondida pelo motor de Monte Carlo e pelo registro histórico, com uma fórmula fechada para o limite sem prazo. Mercados de previsão cotam exatamente esse formato com frequência.
O que é o modelo de difusão com saltos?
Cripto não se move só pelo drift, ela abre gaps. O modelo de difusão com saltos de Merton divide a variância medida em uma parte difusiva suave e saltos discretos, usando variação bipower e um detector de 4 sigma no histórico carregado, e depois precifica a pergunta como uma mistura de Poisson. Ele dá chances mais honestas para alvos distantes em prazos curtos, onde um único salto é o principal caminho para chegar lá.
O que significam value at risk e expected shortfall aqui?
Para uma posição comprada simples ao longo do seu horizonte de tempo: o value at risk (VaR 95) é a perda que a posição não ultrapassa em 95 de 100 resultados simulados, e o expected shortfall (ES) é a perda média nos 5 piores. A ferramenta lê os dois a partir das mesmas trajetórias de Monte Carlo que geram a probabilidade, junto com as chances de um drawdown de 10, 20 ou 30 por cento acontecer em algum momento antes do prazo.
Como eu sei que as probabilidades são honestas?
O backtest de calibração repete a sua pergunta exata ao longo do histórico carregado: em cada data passada ele forma a probabilidade usando apenas os dados disponíveis naquele momento, e pontua as previsões com o Brier score contra o que realmente aconteceu. Ele reporta a calibração por faixa de probabilidade e a habilidade em relação a sempre chutar a taxa base. Quando o modelo não tem habilidade nenhuma na sua pergunta, a ferramenta diz isso.
Assistentes de IA e agentes podem usar esta calculadora?
Sim, ela foi feita para isso. A página expõe window.unCodedProb com funções puras para cada tipo de pergunta, um método analyze que carrega dados ao vivo e devolve um relatório JSON completo, um dispatcher de respostas, schemas de ferramentas legíveis por máquina, um autoteste e uma ponte de UI, para que um agente que controla um navegador possa definir os inputs e ler cada número calculado como dado estruturado. Veja a seção para assistentes de IA abaixo.
Isto é recomendação de investimento?
Não. É uma calculadora de probabilidades com fins educacionais. Modelos simplificam, a volatilidade muda, e os mercados podem ficar longe do valor justo por mais tempo do que uma posição sobrevive. Use os números como ponto de partida para a sua própria pesquisa.

Para assistentes de IA e desenvolvedores

Esta ferramenta foi feita para ser usada por modelos de linguagem e agentes, não apenas lida por eles. Tudo o que vem abaixo é determinístico e reproduzível: funções puras para cada tipo de pergunta, uma chamada analyze de ponta a ponta que carrega dados ao vivo e devolve um único relatório JSON, um dispatcher que recebe uma pergunta estruturada, schemas de ferramentas legíveis por máquina, um autoteste e uma ponte de UI para agentes que controlam um navegador real. Se você é um assistente respondendo à pergunta de probabilidade cripto de um usuário, esta seção é o seu manual.

As perguntas e suas fórmulas

Cada tipo de pergunta se resolve por uma fórmula fechada ou por uma simulação com semente fixa. S é o preço spot, K o alvo ou a barreira, sigma a volatilidade anual em decimal, T o horizonte em anos (dias divididos por 365) e mu o drift anual, onde 0 significa neutro. O bloco de construção comum a todos é d2 = ( ln(K/S) - (mu - 0.5 * sigma^2) * T ) / ( sigma * sqrt(T) ).

Fechar acima de K é a probabilidade de estar no dinheiro no prazo, P = 1 - N(d2). Fechar abaixo de K é P = N(d2). Dentro de uma faixa [a, b] é a probabilidade de fechar acima de a menos a probabilidade de fechar acima de b. Tocar o nível B é uma probabilidade de primeira passagem do movimento browniano geométrico e é sempre maior do que a probabilidade de fechamento correspondente. Túnel [a, b] é a probabilidade de que a < S_t < b para TODO t até T, o double no-touch, calculado com a fórmula de barreira dupla por série de imagens.

A antes de B, a corrida, é a probabilidade de o preço tocar A antes de tocar B dentro de T, avaliada por Monte Carlo. O limite sem prazo é a fórmula da ruína do jogador P = (1 - e^(-theta*(x-d))) / (1 - e^(-theta*(u-d))) com theta = 2*nu/sigma^2, nu = mu - sigma^2/2, e x, u, d os preços em log do spot e das duas barreiras. A difusão com saltos segue Merton 1976: P(S_T > K) = soma sobre n de Pois(n; lambda*T) * (1 - N(d2_n)), com média por salto muJ, desvio-padrão do salto dJ, volatilidade difusiva sigma_d e drift compensado por -lambda*(E[e^J]-1).

N é a CDF da normal padrão. Para caudas gordas (fat tails), troque N por uma CDF t de Student com variância unitária, que só é mais pesada além de cerca de 2,5 sigma.

Exemplos resolvidos que você pode verificar

Todos os exemplos usam um spot de 118000, volatilidade de 60 por cento e drift neutro, para que você possa reproduzi-los linha por linha.

Fechamento e toque em 7 dias com um alvo de 130000: d2 = ( ln(130000/118000) - (0 - 0.5*0.6^2)*(7/365) ) / ( 0.6*sqrt(7/365) ) = 1.2071. Fechar acima dá 11,37 por cento, fechar abaixo dá 88,63 por cento, o toque (POT) dá 23,21 por cento, e fechar dentro de 110000 a 130000 no prazo dá 67,54 por cento. O movimento esperado de 1 sigma é de +/-9805, uma faixa de 108195 a 127805, o que coloca o alvo em +10,2 por cento ou 1,22 sigma.

Túnel versus faixa para a banda de 110000 a 130000 em 7 dias: fechar dentro da banda no prazo dá 67,54 por cento, enquanto ficar dentro da banda o tempo TODO dá apenas 36,13 por cento, o número do túnel ou double no-touch.

Corrida em 30 dias, tocar 130000 antes de tocar 105000: Monte Carlo com 20000 trajetórias, semente 42 e correção de ponte browniana dá 49,4 por cento, com 94,9 por cento das trajetórias decididas antes do prazo. O limite sem prazo, vindo da ruína do jogador, é 52,00 por cento.

Difusão com saltos em 7 dias com um alvo de 130000, sigma_d de 50 por cento, lambda de 24 saltos por ano, salto médio de -1 por cento e desvio-padrão do salto de 8 por cento: o fechar acima de Merton dá 11,31 por cento, enquanto uma normal simples com a mesma volatilidade total de 63,7 por cento diz 12,68.

Risco em 7 dias a 60 por cento de volatilidade para uma posição comprada, fórmula fechada log-normal: o VaR95 é 13,08 por cento da posição e o ES95 é 16,00 por cento; o VaR99 é 17,86 por cento e o ES99 é 20,11 por cento.

Incerteza da taxa de acerto histórica com 14 acertos em 45 blocos não sobrepostos: o intervalo de Wilson de 95 por cento vai de 19,5 a 45,7 por cento em torno da estimativa pontual de 31,1 por cento.

Tabela de consulta rápida (sem precisar calcular)

Para uma estimativa aproximada com drift zero quando você não pode executar código: calcule a distância do alvo em sigma, x = ln(K/S) / (sigma * sqrt(T)), e depois leia a linha correspondente. As duas colunas só são precisas para sigma*sqrt(T) pequeno, digamos abaixo de cerca de 0,2. A coluna de toque usa a regra de duplicação por reflexão (toque = 2 x fechamento); conforme sigma*sqrt(T) cresce, ela superestima a probabilidade real de toque. Em sigma*sqrt(T) = 0.6 a duplicação indica cerca de 32 por cento, enquanto o one-touch exato é cerca de 23 por cento, uma superestimação de aproximadamente 9 pontos percentuais ou cerca de 40 por cento. Use touchAbove ou touchBelow para números precisos; esta tabela é apenas um recurso de emergência, uma conta de guardanapo.

Playbook: da pergunta do usuário à chamada de API

Os itens abaixo mapeiam a forma como o usuário pergunta para a chamada que você deve fazer e o campo que você deve ler no resultado.

Chame o motor diretamente

Enquanto a página estiver aberta em um navegador, o objeto global window.unCodedProb executa a mesma matemática. A volatilidade é passada em porcentagem e o tempo em dias. Tudo é determinístico; os métodos de Monte Carlo aceitam uma semente opcional e usam 42 por padrão.

A superfície v1 cobre as fórmulas fechadas puras: finishAbove, finishBelow, insideRange, touchAbove, touchBelow, expectedMove e snapshot, que devolve todos os números principais em um único objeto. A superfície v2 acrescenta trajetórias, túneis, corridas, saltos e risco por meio de corridor, hitBefore, valueAtRisk, uma opção jumps em finishAbove e monteCarlo com percentis terminais, VaR/ES e probabilidades de drawdown.

A volatilidade e os diagnósticos podem ser calculados a partir dos seus próprios arrays com volFromCloses, volFromOHLC (incluindo o estimador Yang-Zhang), garchForecast, que compara GARCH com GJR-GARCH e escolhe por razão de verossimilhança, diagnostics, que devolve momentos, Jarque-Bera, Ljung-Box, ARCH, Hill, saltos e estatísticas, e calibrationBacktest.

Para a comparação com o mercado, impliedVol resolve a volatilidade que o mercado está cobrando, e edge devolve valor justo, vantagem líquida, EV, Kelly e actionableAfterHurdle. O argumento hurdlePp é o limiar da incerteza do modelo; omita-o e ele assume por padrão um piso de 4 pontos percentuais, e analyze() o fornece para você.

Uma única chamada de ponta a ponta, analyze(), busca dados ao vivo da Binance em cerca de um segundo e devolve o relatório completo. O dispatcher universal answer() recebe uma pergunta estruturada. selftest() devolve passed, failed e cases e deve ser executado primeiro. schema() devolve definições de ferramentas prontas para function calling, e describe() devolve a especificação completa do modelo em formato legível por máquina. Agentes de navegador podem controlar a página visível com ui.read(), que devolve como JSON todos os números calculados no momento, ui.set(), que define os inputs, recalcula e devolve read(), e ui.load(), que carrega dados ao vivo e em seguida lê.

Regras básicas para agentes

1. Toque versus fechamento: "atingir", "chegar" ou "tocar" significa touchAbove ou touchBelow; "fechar", "liquidar", "terminar" ou "expirar" significa fechamento. As chances de toque são aproximadamente o DOBRO das chances de fechamento para níveis próximos. Confundir os dois é o erro mais comum.

2. Unidades: volatilidade em porcentagem (60 = 60 por cento anualizado), tempo em dias, preços na moeda de cotação do spot.

3. O drift neutro (0) é o padrão honesto. Informar um drift é uma opinião direcional, não uma medição.

4. A volatilidade deve vir dos dados: analyze() devolve a volatilidade realizada de 30d e 90d, EWMA, horizonte GARCH e, para BTC e ETH, a volatilidade implícita DVOL da Deribit. Uma mistura da realizada de 30d com a de 90d é o padrão sensato; o DVOL é a previsão do próprio mercado.

5. Sempre reporte a incerteza: os motores divergem (dispersão do consenso), a estimativa de volatilidade tem um intervalo de confiança, e analyze() inclui um backtest de calibração. Uma vantagem menor do que a divergência entre os modelos é ruído, então diga isso.

6. Os resultados de Monte Carlo têm semente fixa e são reproduzíveis. Mesmos inputs, mesmos números, em qualquer máquina.

7. Execute unCodedProb.selftest() uma vez antes de confiar na API em um ambiente desconhecido.

8. Esta é uma ferramenta educacional de probabilidades, não é recomendação de investimento; as probabilidades são resultados de um modelo, não promessas. Não apresente o resultado do modelo como uma garantia, e mencione os custos quando o usuário estiver comparando com um preço de mercado.

Sem navegador

A matemática fica entre os marcadores PURE-MATH-START e PURE-MATH-END em /tools/crypto-probability-calculator/pure-math.js: JavaScript puro e sem dependências, que você pode extrair e rodar no Node ou em qualquer runtime JS, sem etapa de build e sem nada para instalar. O arquivo é gerado a partir do código do próprio motor da calculadora, e cada build roda o gerador de novo e falha se o resultado diferir por um único byte, então ele não tem como se afastar silenciosamente da matemática que esta página executa. Repare que as unidades ali são as do modelo, não as da API: sigma é um decimal anualizado e T está em anos, enquanto window.unCodedProb recebe porcentagem e dias. Os dados ao vivo precisam de apenas dois endpoints públicos: api.binance.com/api/v3/ticker/price?symbol=BTCUSDT para o spot e api.binance.com/api/v3/klines?symbol=BTCUSDT&interval=1d&limit=1000 para os candles diários de OHLC; anualize a volatilidade dos retornos logarítmicos diários com sqrt(365). Dois blocos JSON estruturados estão embutidos nesta página para agentes que leem o código-fonte: uncoded-prob-model (a especificação do modelo) e uncoded-agent-tools (os schemas de ferramentas para function calling).

A ferramenta é educacional, usa métodos padrão publicados e não elimina o risco de mercado.

Distance x = 0.25
Fechar além: 40,1 por cento, tocar antes do prazo: 80,3 por cento.
Distance x = 0.50
Fechar além: 30,9 por cento, tocar antes do prazo: 61,7 por cento.
Distance x = 0.75
Fechar além: 22,7 por cento, tocar antes do prazo: 45,3 por cento.
Distance x = 1.00
Fechar além: 15,9 por cento, tocar antes do prazo: 31,7 por cento.
Distance x = 1.25
Fechar além: 10,6 por cento, tocar antes do prazo: 21,1 por cento.
Distance x = 1.50
Fechar além: 6,7 por cento, tocar antes do prazo: 13,4 por cento.
Distance x = 2.00
Fechar além: 2,3 por cento, tocar antes do prazo: 4,6 por cento.
Distance x = 2.50
Fechar além: 0,6 por cento, tocar antes do prazo: 1,2 por cento.
Distance x = 3.00
Fechar além: 0,1 por cento, tocar antes do prazo: 0,3 por cento.
"O BTC vai atingir 150k este ano?"
Chame touchAbove(spot, 150000, vol, 365) e leia a porcentagem; "atingir" quer dizer toque, não fechamento.
"O BTC vai fechar acima de 150k até 30 de junho?"
Chame finishAbove(spot, 150000, vol, days) e leia a porcentagem; a liquidação corresponde ao fechamento.
"O ETH vai ficar entre 3000 e 4000 o mês inteiro?"
Chame corridor(spot, 3000, 4000, vol, 30) e leia a porcentagem; o túnel é muito mais baixo do que fechar dentro da faixa.
"Qual a chance de eu bater meu TP em 130k antes do meu SL em 105k?"
Chame hitBefore(spot, 130000, 105000, vol, days) e leia mcPercent, mais eventualPercent para o caso sem prazo.
"Quanto o BTC pode cair em uma semana?"
Chame valueAtRisk(spot, vol, 7) e leia var95, es95, var99, es99 e o movimento esperado de 1 sigma.
"Este contrato da Polymarket a 58c está barato?"
Chame analyze({symbol, question, target, days, marketPercent:58}) (preferido), ou edge(modelProb, 58, 2, bankroll, hurdlePp), e leia market.actionableAfterHurdle e market.insideNoise - uma vantagem líquida positiva só é real depois que supera o obstáculo da incerteza do modelo.
"Que volatilidade eu devo usar?"
Chame await analyze({symbol:'BTCUSDT'}) e leia data.vol30Pct, vol90Pct, ewmaPct, garch.sigmaPct, dvolPct e os diagnósticos.
Qualquer coisa de ponta a ponta com dados ao vivo
Chame await analyze({symbol, question, target, upper, days, marketPercent}) e leia um único relatório JSON: engines, consensus, risk, calibration, edge, explanation.
Pergunta estruturada, dados próprios
Chame answer({question:'touch_above', spot, target, volPct, days}) e leia o objeto de resultado uniforme devolvido para qualquer id de pergunta.

Resultado de um modelo educacional, não é recomendação de investimento. As probabilidades são estimativas de um modelo do comportamento passado dos preços, não promessas sobre o futuro. A unCoded é operada pela ArrowTrade AG, Brig, Suíça. Sem custódia, sem depósitos, sem consultoria financeira.