Esse trabalho abordará os riscos das aplicações em criptomoedas. Com o propósito de contribuir para minimizá-los será proposto um modelo matemático. Este fará uso da metodologia de cadeias ocultas de Markov (HMM) e um otimizador, para que através da teoria do portfólio consigamos formar uma carteira de caráter robusto. O modelo desenvolvido irá alimentar as previsões para que a carteira consiga, crescer quando o mercado de criptomoedas estiver em ascensão, apesar da volatilidade dele, e migre para a renda fixa, quando o mercado estiver em queda. A partir do modelo desenvolvido, o grupo tentará prever suficientemente bem o comportamento de Bitcoin (BTC) e Ethereum (ETH) para que através da alimentação da previsão no otimizador seja obtida uma carteira robusta, para atingir o objetivo. O modelo foi treinado nas criptomoedas: BTC, ETH e Binance Coin (BNB) a fim de determinar uma matriz de transição funcional para a previsão pelo HMM. O comportamento dos cripto ativos faz com que eles sejam de difícil previsão, uma vez que, a cada ponto de pico ou vale de distribuição não necessariamente segue o mesmo padrão e dada a elevada volatilidade das séries é possível que ocorram múltiplas mudanças na distribuição em um curto intervalo de tempo. Esse cenário induz à concessão de maior relevância aos pontos imediatamente anteriores. Tal fato nos levou a considerar o uso de um modelo de previsão através de um método estocástico pseudoaleatório, até este ponto consideramos a utilização de um modelo de Markov tradicional, porém dada a volatilidade e elevado grau de incerteza chegamos à conclusão de que o uso de um modelo markoviano oculto seria mais apropriado, já que os estados descritos pela matriz de transição não são totalmente observáveis. Um ponto de destaque para o trabalho desenvolvido foi o foco na verificação da aderência do modelo HMM para alimentar um otimizador para a carteira de ativos uma vez que dessa forma, a precisão requerida do modelo não seria tão criteriosa quanto de apenas um modelo de previsão puro para cada série.