Discussão do artigo "Machine Learning e Data Science (Parte 38): Aplicação de Transfer Learning nos mercados de câmbio"

[MetaQuotes]

Novo artigo Machine Learning e Data Science (Parte 38): Aplicação de Transfer Learning nos mercados de câmbio foi publicado:

Os avanços em inteligência artificial que vemos nas notícias, do ChatGPT aos veículos autônomos, não surgem de modelos isolados, mas do conhecimento acumulado e transferido entre diferentes modelos ou domínios mais amplos. Agora, essa mesma abordagem de "treinar uma vez, aplicar em qualquer lugar" pode ser usada para aprimorar nossos modelos de IA voltados à negociação algorítmica. Neste artigo, veremos como aproveitar dados obtidos de diferentes instrumentos para melhorar as previsões por meio de Transfer Learning.

Veja um exemplo prático de uso de Transfer Learning:

Suponha que você esteja criando um classificador de imagens para distinguir "gato" de "cachorro", mas disponha de apenas 1.000 imagens. Treinar uma CNN profunda do zero seria difícil. Em vez disso, podemos usar um modelo como o ResNet50 ou o VGG16, já treinado no ImageNet, com milhões de imagens distribuídas em 1.000 classes, utilizar suas camadas convolucionais como extratores de atributos, adicionar nossas próprias camadas de classificação e realizar uma atualização incremental do modelo com um conjunto menor de imagens de gatos e cachorros.

Esse procedimento permite reutilizar o conhecimento adquirido pelo modelo, simplificando significativamente o desenvolvimento. Não é necessário reinventar a roda a cada vez: em vez de treinar um modelo do zero, podemos escalar o desenvolvimento aproveitando modelos existentes voltados a tarefas semelhantes.

Em geral, quem sabe patinar ou pratica patinação regularmente também consegue se sair razoavelmente bem no esqui, e vice-versa, mesmo sem treinamento intensivo em ambas as modalidades. Isso acontece porque os dois esportes compartilham elementos semelhantes.

O mesmo princípio se aplica aos mercados financeiros. Embora existam diferentes instrumentos (símbolos) representando diferentes ativos ou mercados financeiros, a maioria dos mercados apresenta comportamentos semelhantes, pois todos são movidos pela oferta e pela demanda.

Se analisarmos o mercado do ponto de vista técnico, veremos que todos os mercados sobem e descem, apresentam padrões de candles semelhantes, e os indicadores geram sinais parecidos em diferentes instrumentos, entre outros exemplos. É justamente por isso que muitas vezes estudamos uma estratégia de negociação baseada em análise técnica usando um determinado instrumento e depois aplicamos o conhecimento adquirido a outros mercados, independentemente das diferenças de escala de preços.

No entanto, os modelos de machine learning muitas vezes não reconhecem que esses mercados são comparáveis. Neste artigo, veremos como usar Transfer Learning para ajudar os modelos a identificar padrões em diferentes instrumentos financeiros e, assim, tornar o treinamento mais eficiente. Também analisaremos as vantagens e desvantagens desse método, além de aspectos importantes que devem ser considerados ao aplicá-lo.

Autor: Omega J Msigwa

[BSA]

O resultado é previsível. Basear uma previsão em um indicador defasado, tentando prever o quê? O próprio valor desse indicador defasado? Para mim, isso é estranho. Na minha opinião, o modelo deve aprender por si mesmo a prever o impulso e sinalizar, independentemente do timeframe, em tempo real; só depois ele aprenderá a distinguir o ruído do impulso real. Não é possível prever com certeza o movimento do mercado e a força do impulso, mas deve ser possível acompanhar a tendência e aproveitar a onda. O que, em princípio, é suficiente para uma operação lucrativa.