Discussão do artigo "Redes neurais em trading: sinais de negociação robustos em qualquer regime de mercado (ST-Expert)"
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: sinais de negociação robustos em qualquer regime de mercado (ST-Expert) foi publicado:
Estamos acostumados a pensar em termos de correlações. Há uma relação estável entre o preço do petróleo e a cotação do dólar canadense, entre as taxas de juros do Fed e o setor de tecnologia, entre a demanda por ouro e a dinâmica do dólar. Mas basta o ambiente externo mudar para que essas dependências se desfaçam. No colapso provocado pela Covid em 2020, em poucas semanas as relações habituais entre ações, títulos e commodities deixaram de refletir a realidade. Mesmo mudanças de regime mais suaves, como os ciclos de alta e queda das taxas do Fed, são capazes de alterar drasticamente as correlações e comprometer modelos que pareciam confiáveis.
A essência do problema é que os algoritmos modernos são treinados em intervalos de dados relativamente curtos e homogêneos. Nessas condições de laboratório, eles apresentam resultados impressionantes, identificando relações sutis entre ativos. Mas, assim que o mercado se afasta da distribuição observada no treinamento, a precisão das previsões cai de forma acentuada. Na prática, os modelos funcionam muito bem em períodos tranquilos, mas não sabem lidar com transições de fase do mercado.
Essa situação lembra, em muitos aspectos, as redes de transporte urbano, usadas como exemplo pelos autores do trabalho "Robust Traffic Forecasting against Spatial Shift over Years" para propor o novo framework ST-Expert. Enquanto a cidade permanece inalterada, as previsões de tráfego funcionam muito bem. Mas basta construir um novo entroncamento viário ou inaugurar um grande shopping center para que as rotas anteriores deixem de ser relevantes. No ambiente financeiro, esses fatores de mudança são decisões regulatórias, sanções, conflitos geopolíticos ou o surgimento de novas tecnologias. O mapa de interdependências muda, e os modelos anteriores deixam de ser eficazes.
Para enfrentar essa tarefa, os autores do ST-Expert propõem uma solução original baseada em Mixture of Experts. A ideia central é que o modelo não aprende a partir de uma única estrutura rígida de dependências, mas de um conjunto de geradores de grafos, os chamados gráfons. Cada um deles representa um tipo específico de comportamento do mercado. Um identifica regularidades em condições de tendência estável, outro descreve a fase de alta volatilidade, um terceiro detecta correlações locais dentro dos setores. Quando o mercado muda, o sistema não entra em colapso: ele combina de forma adaptativa os padrões já aprendidos, criando novas relações entre os instrumentos e preservando a precisão da previsão.
Autor: Dmitriy Gizlyk