Discussão do artigo "Repensando as estratégias clássicas (Parte 14): Análise de múltiplas estratégias"

[MetaQuotes]

Novo artigo Repensando as estratégias clássicas (Parte 14): Análise de múltiplas estratégias foi publicado:

Neste artigo, continuamos a construção de um ensemble de estratégias de trading, utilizando o otimizador genético do MT5 para ajustar os parâmetros das estratégias. Hoje, analisaremos os dados em Python para verificar se esse tipo de modelo consegue prever melhor qual estratégia terá o melhor desempenho e qual delas operará com maior precisão, além de avaliar se essa abordagem é mais eficaz do que prever diretamente os retornos. Adianto que os testes do aplicativo com esse modelo estatístico revelaram uma queda acentuada no desempenho. O problema está no otimizador genético: infelizmente, ele favorece estratégias correlacionadas. Por isso, vamos reformular a abordagem, mantendo fixos os pesos dos votos e concentrando a otimização nos parâmetros dos indicadores.

Há muitos fatores que podem comprometer os resultados quando utilizamos inteligência artificial para desenvolver estratégias de trading. Ao que tudo indica, o otimizador genético tirou proveito da estrutura que oferecemos e selecionou estratégias com o maior grau possível de correlação. Do ponto de vista estritamente matemático, essa escolha pode ser considerada racional: para o otimizador genético, é mais fácil prever o saldo total da conta quando as estratégias predominantes são correlacionadas.

Inicialmente, eu esperava que o otimizador genético atribuísse pesos maiores às estratégias mais rentáveis e pesos menores às menos rentáveis. No entanto, como tínhamos apenas três estratégias disponíveis e realizamos a otimização uma única vez, não podemos descartar a possibilidade de que esse resultado tenha ocorrido por acaso. Em outras palavras, se repetíssemos a otimização dos pesos dos votos utilizando um algoritmo de otimização mais lento, porém mais exaustivo, talvez a seleção fosse diferente.

Por isso, decidi rever a abordagem para selecionar as configurações ideais das estratégias. Ao que parece, na etapa inicial, devemos fixar em 1 o peso de todos os votos. Dessa forma, obrigaremos o otimizador genético a se concentrar exclusivamente na busca por configurações dos indicadores utilizados que proporcionem resultados lucrativos. Como veremos adiante, essa abordagem se mostra mais eficaz do que o plano inicial. Não há avanços na análise multiestratégia quando utilizamos estratégias correlacionadas. Por isso, vamos reformular o problema de maneira mais adequada: como selecionar, da melhor forma possível, várias estratégias com retornos não correlacionados e maximizar a rentabilidade da conta.

Autor: Gamuchirai Zororo Ndawana