Discussão do artigo "Redes neurais em trading: Framework de previsão cross-domain de séries temporais (Conclusão)"
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Novo artigo Redes neurais em trading: Framework de previsão cross-domain de séries temporais (Conclusão) foi publicado:
O primeiro passo foi o treinamento do Codificador com cinco anos de dados históricos do par EURUSD no timeframe de um minuto. Esse volume e nível de detalhamento permitem formar uma representação latente realmente profunda e informativa do estado atual do mercado. O Codificador aprende a distinguir padrões importantes, identificar regularidades e codificar a situação de mercado em um vetor compacto, porém informativo, que posteriormente é utilizado por todos os demais módulos.
Em seguida vem a segunda etapa, o treinamento offline dos principais elementos da nossa arquitetura: Ator, Diretor e Crítico. Para isso, foi reunido um conjunto de dados de mercado do ano de 2024, mantendo todos os parâmetros aplicados no treinamento do Codificador. Durante o processo de treinamento ou aprendizado, foi utilizada a concepção de trajetória quase ideal: as ações do Agente não foram escolhidas de forma arbitrária, mas com base na análise do movimento posterior dos preços. Em outras palavras, tendo à disposição toda a trajetória de preços, sabíamos previamente quais ações teriam levado aos melhores resultados, e utilizamos exatamente essas para o treinamento ou aprendizado. Essa abordagem permite mostrar ao modelo como se deve operar, em vez de obrigá-lo a buscar cegamente uma estratégia eficaz por tentativa e erro, vagando pelo ambiente sem mapa. Graças a isso, o Agente aprende com exemplos previamente verificados, claros, fundamentados e o mais próximo possível do ideal do ponto de vista do resultado. Isso não apenas simplifica o processo de treinamento ou aprendizado, mas o torna direcionado e economicamente fundamentado.
A etapa final é o ajuste fino online, realizado diretamente no testador de estratégias. Aqui, os modelos se deparam com dados históricos em um regime o mais próximo possível do trading real e adaptam seus parâmetros à dinâmica viva do mercado. Isso é especialmente importante, pois permite refinar o comportamento do Agente levando em conta condições mutáveis, ruído de mercado e flutuações aleatórias que não são visíveis no conjunto de treinamento.
Após a conclusão de toda a cadeia de treinamento ou aprendizado, o modelo foi testado em novos dados — cotações de Janeiro de 2025. Todos os parâmetros e configurações utilizados durante o treinamento ou aprendizado foram mantidos sem alterações, o que garante total objetividade e honestidade na avaliação. Os resultados do teste são apresentados abaixo.
Autor: Dmitriy Gizlyk