I. Problemas de previsão e problemas de trading não são equivalentes
Em machine learning, as tarefas definem-se normalmente pela previsão da variação do preço, dos retornos ou da volatilidade nos próximos n períodos.
No trading, a estrutura do problema é mais sofisticada, com pelo menos quatro níveis de decisão:
- Negociar ou não;
- Direção da negociação e dimensão da posição;
- Duração da participação e condições de saída;
- Quando reduzir a frequência ou pausar a estratégia.
Mesmo com elevada precisão de previsão, os retornos estáveis podem não concretizar-se.
Cenário típico: o modelo identifica corretamente pequenas variações, mas falha repetidamente em grandes oscilações raras, com perdas de cauda a eliminar lucros acumulados.
A primeira conclusão da lição 3 é: o valor do sinal resulta da “executabilidade”, não de um único indicador de previsão.
II. Três caminhos principais de geração de sinais
Modelos baseados em regras
Modelos baseados em regras assentam numa lógica clara, como “breakout + confirmação de volume + filtro de risco”.
Destacam-se pela interpretabilidade, rápida implementação e baixos custos de debugging.
Têm como limitação a fraca capacidade para captar relações não lineares complexas, exigindo reconstrução manual das regras quando a estrutura de mercado muda.
Modelos baseados em ML
Abordagens de machine learning aprendem relações não lineares através de múltiplos fatores, comuns em modelos de árvore, séries temporais e scoring probabilístico.
Permitem processar inputs de dimensão superior e descobrir combinações além das regras manuais.
Os riscos incluem overfitting, menor interpretabilidade e limiares de manutenção mais elevados.
Estruturas híbridas
Estruturas híbridas usam normalmente “restrições de regras + ranking de modelos” ou “timing de modelos + execução de regras”.
Este caminho é preferido na prática por equilibrar flexibilidade e robustez:
- As regras definem limites e baseline;
- Os modelos gerem julgamentos de probabilidade e ordenação de prioridades.
Em sistemas intermédios de trading, estruturas híbridas são mais sustentáveis do que abordagens puramente baseadas em regras ou modelos.
III. Design do target do sinal: além da direção—inclui risco e estado
Definir labels como “futuro up/down” é demasiado simplista. Os designs práticos incluem três camadas de target:
- Direção: probabilidade de subida ou descida nos próximos n períodos;
- Magnitude: gama de retorno esperado ou gama de potencial drawdown;
- Estado: se o mercado está em tendência, em range, squeeze ou em contração de liquidez.
Estas camadas têm funções distintas:
- Estado decide se a estratégia é ativada;
- Direção define o bias da posição;
- Magnitude e risco determinam o weighting da posição e a força do stop-loss.
Isto transforma uma tarefa de previsão única num sistema de decisão em camadas, reduzindo significativamente a probabilidade de “direção correta mas negociações perdedoras”.
IV. Dos scores de modelos às ações de trading: thresholds e gestão de confiança
Os outputs dos modelos são normalmente probabilidades ou scores—não comandos diretos de compra/venda.
A implementação do sinal depende da gestão de thresholds e execução escalonada:
- Baixa confiança: não negociar ou apenas observar;
- Confiança média: teste com posição pequena;
- Alta confiança: aumentar o weighting mas sujeito a limites de risco.
A ideia central é “camadas de sinal”, não “weighting igual”.
Se todos os sinais forem executados igualmente, gera negociações ruidosas, erosão de taxas e turnover excessivo.
Sistemas maduros focam-se na qualidade líquida do sinal—reduzem negociações de baixa qualidade e aumentam a eficácia por negociação.
V. A avaliação do sinal exige mais do que precisão
A avaliação de sinais negociáveis abrange cinco dimensões:
- Previsão: precisão, recall, distribuição de erro, calibração de probabilidade;
- Trading: taxa de vitória, relação lucro/perda, taxa de turnover, estrutura do período de participação;
- Retornos: lucro acumulado, redução máxima, relação retorno/redução;
- Execução: sensibilidade a taxas, sensibilidade a derrapagem, 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, não tem valor para negociação em direto.
Muitas estratégias “excelentes em backtest mas falham em direto” resultam da ausência da cadeia de mapeamento sinal-negociação, não do modelo em si.
VI. Mecanismos comuns de falha: falha do modelo significa frequentemente mudança na estrutura de mercado
As falhas em negociação em direto resultam normalmente de três tipos de mudanças:
- Mudança de estado: mercados em tendência passam a range, sinais de impulso originais perdem validade;
- Mudança de crowding: mais participantes adotam estratégias semelhantes, comprimindo retornos marginais;
- Mudança de custo: após queda da volatilidade, a frequência de trading original resulta em rácios de custo acentuadamente mais elevados.
Os sistemas de sinal devem ter mecanismos de monitorização de falha, como:
- Taxa de acerto e relação lucro/perda estão a diminuir simultaneamente?
- A distribuição de sinais está anormalmente agrupada?
- A qualidade das negociações e a derrapagem estão a deteriorar-se de forma persistente?
Quando os thresholds são acionados, reduzir a frequência/alavancagem ou pausar para evitar perdas acumuladas em períodos de falha.
VII. Sinais únicos nos mercados de cripto: preço, posição, interação tridimensional on-chain
Em comparação com mercados tradicionais, a vantagem da cripto é a observação simultânea da ação do preço, posições de derivados e fluxos de fundos on-chain.
Sinais compostos comuns incluem:
- Preço a romper zonas-chave;
- Juros em aberto a subir e taxas de financiamento a aquecer;
- Reforço dos fluxos líquidos de stablecoin.
Esta estrutura pode indicar reforço de tendência—ou subidas frágeis após crowding de alta alavancagem.
Sinais direcionais devem ser acompanhados por filtros de risco:
- A taxa de financiamento entrou em zona sobreaquecida?
- O cluster de liquidação está demasiado próximo do preço atual?
- A profundidade do livro de ordens pode absorver o impacto?
O sinal só ganha maior valor de execução após passar os filtros de risco.
VIII. De modelo único a fábrica de sinais: caminho de iteração executável
O curso recomenda uma abordagem iterativa de “pequeno sistema primeiro” em vez de procurar imediatamente uma arquitetura complexa. Passos executáveis:
- Selecionar uma tarefa única (por exemplo, probabilidade direcional de 4 horas);
- Estabelecer um baseline interpretável (regras ou modelo leve);
- Completar gradação de thresholds e mapeamento de negociações;
- Realizar validação out-of-sample e rolling;
- Observar em direto a ligação de pequena posição “sinal-execução-resultado”;
- Expandir gradualmente para integração multi-sinal (direção + risco + estado).
As vantagens centrais são diagnosticabilidade, replayabilidade, iterabilidade—reduzindo consistentemente a incerteza das decisões black-box.
IX. Resumo da lição
Esta lição centrou-se em “Como a IA gera sinais negociáveis”. As principais conclusões incluem:
- A geração de sinais não é apenas uma tarefa de previsão—é um desafio de engenharia de sistemas de decisão;
- Estruturas baseadas em regras, machine learning e híbridas têm cada uma os seus limites; caminhos híbridos são mais práticos para implementação;
- Sinais negociáveis devem cumprir simultaneamente requisitos de previsão, trading, execução e estabilidade;
- Nos mercados de cripto, os sinais devem basear-se em preço, posição, interação tridimensional on-chain—com filtros de risco correspondentes.
Conclusão principal: Previsibilidade não equivale a negociabilidade; o valor do sinal resulta da qualidade da execução e do controlo de risco em conjunto.
A próxima lição vai abordar o próximo passo do ciclo fechado completo: automação de estratégia—do backtest à negociação em direto—com foco em estruturar sistemas de sinais para operação contínua.
