Discussão do artigo "Redes neurais em trading: modelo de difusão adaptativa em grafos (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: modelo de difusão adaptativa em grafos (Conclusão) foi publicado:
O treinamento do modelo lembra uma expedição bem planejada: antes de sair para o mar aberto do mercado real, treinamos com cuidado no porto tranquilo do histórico. Essa primeira etapa, offline, foi construída com dados do par de moedas EURUSD no timeframe H1 ao longo de todo o ano de 2024, um período rico em contrastes. Nele houve águas calmas, quase espelhadas, de mercados laterais, tempestades de movimentos tendenciais bruscos e rajadas inesperadas de volatilidade provocada por notícias. Essa variedade de cenários de mercado permitiu que o modelo desenvolvesse uma navegação mais robusta, aprendendo a reconhecer tanto padrões comuns quanto formações raras do movimento dos preços, sem perder a orientação mesmo em condições difíceis.
Quando essa preparação foi concluída, chegou o momento de sair da doca de treinamento e testar a embarcação nas correntes do mercado real. A segunda etapa, o ajuste online, foi realizada em condições operacionais no testador de estratégias do MetaTrader 5. Nela, os dados chegavam sequencialmente, vela a vela, e o modelo aprendia não apenas a analisar informações em fluxo, mas também a preservar a estabilidade nos redemoinhos do ruído, nos baixios instáveis da baixa liquidez e durante rajadas inesperadas de notícias. Essa etapa cumpriu o papel de um ajuste fino: não quebrou a estrutura já construída, mas ajudou a poli-la para a realidade, aumentando a adaptabilidade e reduzindo o risco de sobreajuste.
A verificação final foi um verdadeiro batismo de fogo. Usamos dados de janeiro de 2025, completamente novos, não utilizados nos experimentos anteriores, e carregamos todos os parâmetros previamente obtidos sem qualquer alteração. Esse foi um ponto fundamental: sem ajuste aos dados de teste, sem correções adicionais, apenas um teste limpo, capaz de refletir a real capacidade de generalização do modelo.
Os resultados dos testes são apresentados abaixo.
Autor: Dmitriy Gizlyk