Treinamos uma rede neural para o ouro e depois a eliminamos: o que mostraram os anos fora da amostra

A versão 2 do nosso sistema para XAUUSD trazia um modelo neural ONNX. O backtest parecia excelente e nós o publicamos. Depois fizemos o teste que realmente importa, e ele foi reprovado.

O modelo foi treinado com dados de janeiro de 2020 a julho de 2026. A impressionante curva de capital foi medida dentro desse mesmo período. Isso não é prova de vantagem: é demonstração de ajuste. Um modelo que já viu os dados vai descrevê-los bem, consiga ou não prever alguma coisa.

Testamos de 2016 a 2019, período nunca mostrado ao modelo. Em nossos testes, deu prejuízo. A conta forward que mantínhamos em operação apresentou expectativa negativa no mesmo período de observação. Duas verificações independentes, ambas negativas, sobre os únicos dados capazes de confirmar o modelo.

Tínhamos duas opções: continuar publicando o gráfico lisonjeiro medido dentro da amostra, ou substituir o motor. Na versão 3.10 o modelo neural foi removido. O filtro de entrada foi reconstruído com gradient boosting e validado por análise walk-forward, de modo que a regra de decisão é sempre testada em períodos com os quais não aprendeu. A atualização foi gratuita para os usuários existentes. O backtest antigo continua publicado na página do produto, rotulado como dentro da amostra, porque apagá-lo esconderia o erro em vez de corrigi-lo.

Peça duas datas: a janela de treinamento do modelo e a janela do backtest que estão lhe mostrando. Se elas se sobrepõem, o número à sua frente descreve o quanto o modelo memorizou o passado. Não diz nada sobre o futuro. Isso vale para a nossa versão antiga tanto quanto para a versão atual de qualquer outro.

O sistema reconstruído, com todo o histórico de medições incluindo a falha acima: https://www.mql5.com/en/market/product/187329

Todos os produtos e utilitários gratuitos: https://www.mql5.com/en/users/app.develop.sk/seller