IA e ferramentas de apoio à decisão

Sobreajustamento

O sobreajustamento ocorre quando um modelo aprende particularidades dos dados de treino, em vez de padrões que se generalizam, tornando pouco fiável o seu desempenho aparente em dados novos.

O que significa

Um modelo de trading pode parecer convincente com dados históricos e, ainda assim, ter um desempenho fraco em observações que nunca viu. Esta é a principal preocupação com o sobreajustamento. O modelo pode ter aprendido ruído, uma condição de mercado temporária ou características específicas da amostra, em vez de uma relação persistente.

O sobreajustamento pode afetar um modelo de preços, uma estimativa dos custos de execução, uma estimativa de risco ou uma avaliação gerada por IA. Também pode ocorrer sem IA complexa: ajustar repetidamente uma regra de trading simples até os resultados históricos parecerem atrativos cria o mesmo problema. Um bom ajustamento aos dados históricos, por si só, não demonstra que o modelo funcionará com dados futuros.

Como se calcula

Não existe uma medida universal única de sobreajustamento. Um diagnóstico útil é a diferença de validação: a diferença entre o resultado do modelo nos dados usados para o ajustar e o resultado em dados separados, que não foram utilizados. Se valores mais elevados da métrica escolhida indicarem melhor desempenho, calcule:

Diferença de validação = métrica de treino − métrica fora da amostra

  • Métrica de treino é a medida de desempenho selecionada, calculada sobre os dados usados para ajustar o modelo.
  • Métrica fora da amostra é a mesma medida, nas mesmas unidades, calculada sobre dados excluídos do ajustamento.
  • Diferença de validação é expressa nas mesmas unidades. Uma diferença positiva elevada pode ser um sinal de alerta, mas não prova que exista sobreajustamento.

Para uma métrica em que valores mais baixos são melhores, como o erro médio de previsão, inverta a subtração para expressar a deterioração como um valor positivo: Diferença de validação = erro fora da amostra − erro de treino. As amostras têm de ser comparáveis e os dados excluídos não podem ter influenciado a seleção do modelo. Em dados de mercado ordenados cronologicamente, testar com observações posteriores é, muitas vezes, mais informativo do que misturar aleatoriamente observações passadas e futuras.

Exemplo prático

Suponha-se, hipoteticamente, que um modelo estima se uma ordem sobre ações será executada dentro de um determinado prazo. Os exemplos abaixo são inventados e não constituem evidência sobre qualquer modelo em utilização.

  1. Um programador ajusta o modelo com 100 ordens históricas. O modelo classifica corretamente 90: 90 ÷ 100 = 90% de exatidão no treino.
  2. Em seguida, o programador avalia o modelo, sem o alterar, com 100 ordens posteriores que não foram utilizadas para o ajustar ou selecionar. O modelo classifica corretamente 60: 60 ÷ 100 = 60% de exatidão fora da amostra.
  3. A diferença de validação é 90% − 60% = 30 pontos percentuais.

Esta diferença levanta dúvidas sobre a capacidade de generalização. Não permite determinar a causa: as ordens posteriores podem diferir quanto à liquidez, ao tipo de ordem, às condições de mercado ou à qualidade dos dados. A exatidão também não revela se as estimativas de probabilidade do modelo estão bem calibradas nem se os erros em certas ordens têm maior importância do que noutros casos.

Porque é importante antes de negociar

Uma decisão pré-negociação pode depender de custos, riscos, condições de execução e probabilidades estimadas pelo modelo. Se uma estimativa estiver sobreajustada, uma aparente precisão pode ocultar incerteza. Uma probabilidade não é uma promessa, e um resultado histórico forte não substitui testes com dados verdadeiramente separados.

Importa perguntar se a avaliação utilizou observações posteriores que não foram tocadas; se foram aplicadas as mesmas métricas e pressupostos ao longo de todo o processo; e se os resultados se mantêm para diferentes ações e condições de mercado relevantes. Experimentar repetidamente modelos com um conjunto de teste supostamente intocado pode, por si só, fazer com que esse conjunto passe a integrar o processo de ajustamento.

Como a PreTrAIde utiliza este conceito

A PreTrAIde disponibiliza análise pré-negociação de um cabaz de ações proposto, antes de o utilizador colocar uma ordem. A sua componente quantitativa, determinística e reprodutível estima medidas que incluem o spread, o impacto no mercado, a volatilidade diária e o valor em risco a 95% num dia. Os agentes de IA analisam as pontuações quantitativas, as notícias e as avaliações de analistas; as salvaguardas corrigem resultados que contradigam condições de dados especificadas.

A informação do produto não indica que a PreTrAIde calcule uma pontuação de sobreajustamento nem descreve resultados de validação fora da amostra. A sua probabilidade de sucesso é uma estimativa do modelo, limitada ao intervalo entre 5% e 95%; não é uma garantia nem uma previsão de rendibilidade. Os veredictos da análise servem de apoio à decisão e não constituem recomendações.

Erros comuns

  • Confundir o ajustamento aos dados históricos com fiabilidade futura. Um backtest pode refletir escolhas adaptadas aos mesmos dados.
  • Introduzir informação futura nos testes. Dados que não estavam disponíveis no momento da decisão podem fazer com que os resultados pareçam artificialmente fortes.
  • Ajustar o modelo ao conjunto de teste. Alterações repetidas com base nos resultados dos testes comprometem a independência desse conjunto.
  • Considerar qualquer diferença como sobreajustamento. Mudanças nas condições de mercado, amostras pequenas e erros de medição também podem explicar as diferenças.
  • Confundir exatidão com calibração. Um modelo pode classificar corretamente muitos casos e, ainda assim, atribuir probabilidades enganadoras.

Perguntas frequentes

Como se percebe se um modelo de trading está sobreajustado?

Compare os resultados nos dados usados para o ajustar com os resultados em dados posteriores, verdadeiramente intocados, recorrendo à mesma métrica. Uma deterioração significativa é um sinal de alerta, mas também é necessário investigar alterações nas condições e a qualidade dos dados.

Sobreajustamento é o mesmo que um backtest mau?

Não. Um backtest é um teste histórico; o sobreajustamento é uma das razões pelas quais os resultados podem não se generalizar. Procure alterações repetidas às regras, fuga de informação e testes que não tenham sido mantidos independentes.

Uma probabilidade de sucesso gerada por IA pode estar sobreajustada?

Sim. Se um modelo de probabilidades for ajustado em excesso a exemplos passados, as suas estimativas podem não se generalizar. Comparar as probabilidades previstas com as frequências observadas em dados separados ajuda a avaliar a calibração.

Termos relacionados

Backtesting O backtesting consiste em avaliar uma estratégia de negociação definida com base em dados históricos, para estimar como teria evoluído, tendo em conta as limitações dos dados, dos custos de execução e do sobreajustamento. Calibração do modelo A calibração do modelo mede até que ponto as probabilidades previstas correspondem à frequência observada dos resultados definidos previamente. Aprendizagem automática na negociação A aprendizagem automática na negociação consiste em utilizar modelos ajustados a dados históricos para estimar resultados relacionados com a negociação, como custos de execução ou risco, em vez de depender apenas de regras fixas. Probabilidade de sucesso A probabilidade de sucesso é uma percentagem estimada pelo modelo, associada a uma recomendação pré-negociação, que exprime a probabilidade avaliada pelo modelo de cumprir os critérios de sucesso definidos — não a probabilidade de obter um retorno. Análise pré-negociação A análise pré-negociação consiste em avaliar uma ordem ou um cabaz de ações proposto antes da sua colocação, estimando os custos de execução, a liquidez e o risco, para apoiar a decisão do investidor e a estratégia de execução.

IA e ferramentas de apoio à decisão

análise de ações com IA Modelo de linguagem de grande dimensão (LLM) em finanças Decisão GO / NO-GO Veredicto MODIFY Pontuação quantitativa Negociação simulada Simulador de negociação Diário de trading Todos os termos do glossário →

Analise a sua próxima operação antes de a executar

Crie uma carteira, faça uma análise pré-negociação e obtenha um veredicto GO, NO-GO ou MODIFY, com os respetivos custos, liquidez e riscos.

Inicie o período experimental gratuito Experimente as ferramentas gratuitas

Conteúdo educativo, não constitui aconselhamento de investimento. A PreTrAIde é um software de análise, não uma corretora: nunca executa ordens e os seus veredictos servem de apoio à decisão, não são recomendações de compra ou venda.