Discussão do artigo "Redes neurais em trading: uma visão unificada do espaço e do tempo (final)"

[MetaQuotes]

Novo artigo Redes neurais em trading: uma visão unificada do espaço e do tempo (final) foi publicado:

O framework Extralonger demonstra uma capacidade única de integrar fatores espaciais e temporais em um único modelo, favorecendo previsões de alta precisão. Sua arquitetura permite adaptar-se a diferentes horizontes de previsão e instrumentos financeiros, mantendo a transparência e a capacidade de controle do sistema.

O treinamento do modelo é uma verdadeira preparação operacional para trading. Antes de colocá-lo em produção no mercado, validamos cuidadosamente a estratégia com dados históricos. A primeira etapa, o treinamento offline, foi realizada em uma amostra do par de moedas EURUSD no timeframe H1, no período de janeiro de 2024 a junho de 2025. Esse intervalo se mostrou rico e variado: fases tranquilas de mercado lateral se alternavam com movimentos tendenciais bruscos, enquanto a divulgação de notícias provocava picos de alta volatilidade. Essa combinação de condições permitiu que o modelo aprendesse a distinguir um amplo espectro de cenários de mercado e a produzir decisões de trading robustas, sem perder a referência em situações complexas.

Quando a primeira etapa de preparação foi concluída, passamos à segunda: o ajuste fino online no testador de estratégias do MetaTrader 5. Aqui, os dados eram recebidos em tempo real, vela a vela, e o modelo assimilava a dinâmica de processamento em fluxo contínuo. Nessa dinâmica, aprendia a manter a estabilidade em meio ao ruído, lidar com baixa liquidez e não se desorientar diante de picos repentinos de preço. Essa etapa funcionou como um refinamento final da estratégia. Ela não alterava a estrutura construída com base no histórico, mas ajudava a adaptá-la às condições reais e reduzia o risco de o modelo sofrer sobreajuste.

A verificação final foi realizada com dados de julho de 2025. Esses dados não haviam sido usados anteriormente e eram totalmente novos para o modelo. Todos os parâmetros obtidos nas etapas anteriores foram carregados sem alterações. Esse teste fora da amostra permitiu avaliar objetivamente a capacidade de generalização do modelo, sem nenhum ajuste aos dados ou calibração posterior.

Os resultados dos testes são apresentados abaixo.

Autor: Dmitriy Gizlyk