Discussão do artigo "Redes neurais em trading: Percepção adaptativa da dinâmica do mercado (Conclusão)"

[MetaQuotes]

Novo artigo Redes neurais em trading: Percepção adaptativa da dinâmica do mercado (Conclusão) foi publicado:

O artigo dá continuidade à implementação das abordagens do framework STE-FlowNet, que combina processamento multithread com estruturas recorrentes para analisar dados complexos com alta precisão. Os testes realizados confirmaram sua estabilidade e flexibilidade em diferentes cenários. A arquitetura acelera os cálculos e permite modelar com maior profundidade as dependências presentes nas séries temporais. Essa abordagem abre novas possibilidades de aplicação prática no trading e na análise de mercado.

A primeira etapa é o treinamento offline com dados históricos do par de moedas EURUSD no timeframe H1, referentes ao período de janeiro de 2024 a junho de 2025. Esse período serviu como uma base completa para o treinamento. O modelo aprendeu a reconhecer padrões históricos, analisar a dinâmica dos preços e os volumes negociados e identificar relações entre os principais atributos. O STE-FlowNet desenvolveu gradualmente sua própria intuição de trader e a combinou com uma avaliação estratégica precisa, adquirindo assim a capacidade de prever os movimentos do mercado e avaliar o risco de cada operação potencial.

A etapa seguinte é o ajuste fino online no Testador de Estratégias do MetaTrader 5, que leva o treinamento para condições mais próximas das reais. Barra a barra, o modelo processa os fluxos de dados. Nessa fase, o STE-FlowNet aprende a acompanhar a dinâmica do mercado, a manter a robustez diante de oscilações provocadas por ruído, a ajustar suas ações em períodos de baixa liquidez e a reagir imediatamente a picos bruscos de preço. A estrutura básica formada com os dados históricos permanece inalterada, enquanto o modelo aprende a responder de maneira flexível às condições atuais do mercado, reduzindo o risco de sobreajuste e aumentando a precisão das previsões mesmo em condições de mercado instáveis.

A avaliação final foi realizada com dados totalmente novos, referentes ao período de julho a setembro de 2025. Todos os parâmetros obtidos nas etapas anteriores foram carregados sem alterações, o que garantiu uma avaliação imparcial da capacidade do STE-FlowNet de generalizar.

Autor: Dmitriy Gizlyk

[Chao Tang]

Usando o mesmo código, o STFS foi executado. Os dados do Critic estão claramente incorretos