Discussão do artigo "Redes neurais no trading: modelos de refinamento iterativo de previsões (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 no trading: modelos de refinamento iterativo de previsões (Conclusão) foi publicado:
A primeira etapa do treinamento pode ser comparada ao ensaio de um iniciante no ambiente histórico do mercado. Utilizamos dados do par de moedas EURUSD no timeframe H1, referentes ao período de janeiro de 2024 a junho de 2025. Nesse intervalo, o modelo recebe um panorama histórico do mercado e aprende a reconhecer padrões: dinâmica dos preços, volume de negociações e relações ocultas entre os principais atributos. O RAFT atua aqui como um mentor experiente: ele gera uma representação informativa do estado para o Ator e o Crítico, ajuda o modelo a desenvolver sua própria intuição de trading e a acumular gradualmente experiência estratégica, permitindo prever os movimentos do mercado e avaliar o risco de cada operação potencial.
A etapa seguinte é o ajuste online no Testador de Estratégias do MetaTrader 5. O treinamento passa então para um ambiente dinâmico, muito próximo das condições reais. O modelo processa os dados candle a candle, reagindo a cada movimento do preço. O RAFT permite manter a estabilidade diante das flutuações provocadas pelo ruído de mercado, adaptar-se a picos repentinos e ajustar as ações em períodos de baixa liquidez. A estrutura básica construída a partir dos dados históricos continua servindo como referência, mas o modelo aprende a reagir de forma flexível às condições atuais do mercado, evitando sobreajuste e aumentando a precisão das previsões mesmo em ambientes instáveis.
A etapa final consiste no teste com dados totalmente novos, referentes ao período de julho a setembro de 2025. Todos os parâmetros obtidos nas etapas anteriores são carregados sem qualquer alteração, garantindo uma avaliação imparcial da capacidade de generalização do modelo. Os resultados dos testes são apresentados a seguir.
Autor: Dmitriy Gizlyk