I. Problemas de previsão vs. problemas de trading não são equivalentes
Em machine learning, as tarefas geralmente envolvem prever o movimento de preço, retornos ou volatilidade dos próximos n períodos.
No entanto, no trading, a estrutura do problema é mais complexa, com pelo menos quatro níveis de decisão:
- Decidir se negocia ou não;
- Determinar a direção da negociação e o tamanho da posição;
- Definir o tempo de holding e as condições de saída;
- Estabelecer quando reduzir a frequência ou pausar a estratégia.
Isso significa que, mesmo com alta precisão nas previsões, retornos estáveis podem não acontecer.
Um cenário típico: o modelo acerta a maioria dos pequenos movimentos, mas falha repetidamente em grandes oscilações raras, e perdas extremas anulam os lucros acumulados.
Por isso, a primeira conclusão da Lição 3 é: o valor do sinal está na “executabilidade”, não em um único indicador de previsão.
II. Três principais caminhos para geração de sinais
Modelos baseados em regras
Modelos baseados em regras são construídos a partir de lógicas claras, como “breakout + confirmação de volume + filtro de risco”.
Oferecem alta interpretabilidade, implantação rápida e baixo custo de depuração.
Como limitação, têm baixa capacidade de capturar relações não lineares complexas e exigem reconstrução manual das regras quando a estrutura do mercado muda.
Modelos baseados em ML
Abordagens de machine learning aprendem relações não lineares entre múltiplos fatores, comuns em modelos de árvore, séries temporais e modelos probabilísticos.
A vantagem é a capacidade de processar entradas de alta dimensão e identificar combinações que vão além das regras manuais.
Os riscos envolvem overfitting, menor interpretabilidade e maior complexidade de manutenção da estratégia.
Estruturas híbridas
Estruturas híbridas normalmente utilizam “restrições de regras + ranqueamento de modelo” ou “timing de modelo + execução por regras”.
Esse caminho é mais comum na prática, pois equilibra flexibilidade e robustez:
- Regras delimitam fronteiras e baseline;
- Modelos avaliam probabilidades e ordenam prioridades.
Na maioria dos sistemas de trading intermediários, frameworks híbridos são mais sustentáveis que abordagens puramente baseadas em regras ou modelos.
III. Design de alvo de sinal: além da direção — inclua risco e estado
Definir labels apenas como “subir/cair no futuro” é simplista. Na prática, designs robustos incluem três camadas de alvo:
- Direção: probabilidade de alta ou baixa nos próximos n períodos;
- Magnitude: faixa de retorno esperado ou de drawdown potencial;
- Estado: se o mercado está em tendência, lateralidade, squeeze ou contração de liquidez.
Cada camada tem um papel distinto:
- O estado define se a estratégia será ativada;
- A direção define o viés da posição;
- Magnitude e risco determinam o peso da posição e a força do stop-loss.
Isso transforma a tarefa de previsão em um sistema decisório em camadas, reduzindo significativamente a chance de “direção correta, mas trades perdedoras”.
IV. De scores de modelo para ações de trading: thresholds e gestão de confiança
Os outputs do modelo normalmente são probabilidades ou scores — não ordens diretas de compra/venda.
A implementação do sinal depende da gestão de thresholds e execução em camadas:
- Baixa confiança: não negociar ou apenas observar;
- Confiança média: testar com posição pequena;
- Alta confiança: aumentar o peso, sempre respeitando limites de risco.
A essência está na “estratificação dos sinais”, não em “peso igual”.
Executar todos os sinais igualmente gera ruído, erosão por taxas e turnover excessivo.
Sistemas maduros priorizam a qualidade líquida dos sinais — reduzindo trades de baixa qualidade e aumentando a efetividade por trade.
V. Avaliação de sinal exige mais do que precisão
A avaliação de sinais negociáveis deve considerar cinco dimensões:
- Previsão: precisão, recall, distribuição de erro, calibração de probabilidade;
- Trading: taxa de vitória, índice lucro/perda, taxa de turnover, estrutura do período de holding;
- Retornos: lucro acumulado, drawdown máximo, razão retorno/drawdown;
- Execução: sensibilidade a taxas, sensibilidade a slippage, limites de capacidade;
- Estabilidade: consistência de performance em diferentes estados de mercado.
Se um sinal se destaca apenas em métricas de previsão, mas falha nas dimensões de trading ou execução, ele não tem valor para negociação ao vivo.
Muitas estratégias que “performam bem no backtest, mas falham ao vivo” não falham pelo modelo, mas pela ausência do elo entre sinal e execução de trade.
VI. Mecanismos comuns de falha: falha de modelo geralmente significa mudança na estrutura do mercado
Falhas em negociação ao vivo normalmente decorrem de três tipos de mudanças:
- Mudança de estado: mercados em tendência tornam-se laterais, sinais de momento perdem validade;
- Mudança de crowding: mais participantes adotam estratégias semelhantes, comprimindo os retornos marginais;
- Mudança de custo: após queda na volatilidade, a frequência original de trading resulta em maior relação de custo.
Por isso, sistemas de sinal devem incluir mecanismos de monitoramento de falhas, como:
- Taxa de acerto e índice lucro/perda estão caindo juntos?
- Os sinais estão anormalmente concentrados?
- A qualidade das trades e o slippage estão piorando de forma persistente?
Quando thresholds são atingidos, reduza frequência/alavancagem ou pause para evitar ampliar as perdas durante períodos de falha.
VII. Sinais exclusivos nos mercados cripto: preço, posição, interação tridimensional on-chain
Em relação aos mercados tradicionais, o diferencial do cripto é a observação simultânea da ação do preço, posições em derivativos e fluxos de fundos on-chain.
Sinais compostos comuns incluem, por exemplo:
- Preço rompendo zonas-chave;
- Aumento do juros em aberto e aquecimento das taxas de fundos;
- Fortalecimento das entradas líquidas de stablecoin.
Essa estrutura pode indicar reforço de tendência — ou altas frágeis após crowding de alta alavancagem.
Por isso, sinais direcionais precisam ser acompanhados de filtros de risco:
- A taxa de fundos entrou em zona superaquecida?
- O cluster de liquidação está muito próximo ao preço atual?
- A profundidade do livro de ordens suporta o impacto?
Apenas após passar pelos filtros de risco o sinal ganha valor de execução superior.
VIII. De modelo único para fábrica de sinais: caminho iterativo executável
O curso recomenda uma abordagem iterativa de “pequeno sistema primeiro”, em vez de buscar uma arquitetura complexa de imediato. Etapas práticas:
- Selecionar uma única tarefa (ex.: probabilidade direcional em 4h);
- Estabelecer um baseline interpretável (regras ou modelo leve);
- Completar a gradação de thresholds e o mapeamento de trades;
- Executar validações fora da amostra e rolling;
- Observar ao vivo a conexão “sinal-execução-resultado” com posição pequena;
- Expandir gradualmente para integração de múltiplos sinais (direção + risco + estado).
As principais vantagens são diagnósticos, reprodutibilidade e capacidade de iteração — reduzindo consistentemente a incerteza de decisões black-box.
IX. Resumo da lição
Esta lição abordou o tema “Como a IA gera sinais negociáveis”. Os principais pontos são:
- Geração de sinais vai além de uma tarefa de previsão — é um desafio de engenharia de sistemas decisórios;
- Frameworks baseados em regras, machine learning e híbridos têm limites; caminhos híbridos são mais práticos para implementação;
- Sinais negociáveis precisam atender simultaneamente a critérios de previsão, trading, execução e estabilidade;
- No mercado cripto, sinais devem ser baseados na interação tridimensional entre preço, posição e on-chain — sempre com filtros de risco adequados.
Ponto-chave: previsibilidade não é igual a negociabilidade; o valor do sinal depende da qualidade de execução e do controle de risco.
A próxima lição avançará para o próximo estágio do ciclo completo: automação de estratégia — do backtesting à negociação ao vivo — focando em como projetar sistemas de sinais para operação contínua.
