Por Que Redes Neurais Não Prevêem os Mercados da Bolsa de Moscou e Onde ML Realmente Ajuda Traders

Em um encontro sobre aprendizado de máquina em trading em Moscou, foi apresentada uma tese sóbria: as redes neurais são quase inúteis como ferramenta para previsão direta de preços. No entanto, ML realmente ajuda em tarefas mais estreitas — determinar o modo de mercado, filtrar operações ruins e reduzir perdas na execução.

A Ilusão da Previsão de Preços

O mercado ainda abriga uma fantasia popular: basta mostrar a um modelo um gráfico do Sber ou um índice, e ele produzirá o preço exato para amanhã. Na prática, isso desmorona muito rapidamente. O preço é muito barulhento, o mercado muda constantemente, e qualquer padrão encontrado em dados históricos geralmente desaparece no momento em que a estratégia passa a operar com dinheiro real. Na negociação de alta frequência, a situação é ainda mais rigorosa: nanossegundos importam, e um modelo pesado pode simplesmente derrotar o sistema com atrasos.

"ML não fornece controle sobre o mercado e não é um botão mágico para

'dinheiro'."

É por isso que os participantes experientes do mercado veem o aprendizado de máquina não como um gerador de sinais prontos, mas como uma camada de suporte acima da estratégia base. Mesmo que o modelo adivinhe a direção do movimento com mais frequência do que o aleatório, isso não é suficiente. Entre uma previsão bonita e o dinheiro estão a fila de ordens, o slippage, as comissões de corretoras e bolsas. Como resultado, um modelo formalmente forte pode mostrar perdas onde o backtest parecia quase perfeito.

Onde ML Funciona

O pensamento mais sensato da discussão é simples: o aprendizado de máquina traz valor onde a tarefa é estreita e verificável. Em vez de tentar prever o próprio mercado, o modelo ajuda a dividi-lo em componentes: em que modo está, quais sinais pular e onde os custos comerão dos lucros potenciais. Essa abordagem é muito mais próxima da prática real de um trader algorítmico solo, que não pode se dar ao luxo de infraestrutura de fundos de hedge.

• Determinação da fase de mercado: tendência, lateral, pico de volatilidade
• Filtragem de sinais: quais negociações da estratégia base pular
• Otimização da execução: como entrar em uma posição com menos slippage
• Análise de microestrutura do livro de ordens: busca de padrões no fluxo de ordens

Para um trader varejista, isso é especialmente importante porque geralmente combinam todos os papéis de uma vez: encontrar dados, limpá-los, criar recursos, construir o modelo, testar hipóteses, calcular riscos e depois implantar o resultado em produção por conta própria. Nessa configuração, ML é útil não como uma vitrine com promessas grandiosas, mas como uma ferramenta para melhorias específicas e estreitas — por exemplo, desligar uma estratégia de tendência em um mercado lateral rígido ou evitar uma operação com execução esperada ruim.

Por Que Estratégias Morrem

A maioria dos problemas começa não no modelo, mas antes — no estágio de dados e testes de hipóteses. Se um dia está faltando nas velas, futuros são mesclados com erros, ou recursos contêm acidentalmente informações do futuro, o algoritmo instantaneamente encontra um padrão que não existe. Nos dados históricos parece o Santo Graal, mas na negociação real termina muito rapidamente. Daí o princípio principal: garbage in, garbage out. A qualidade dos dados e a honestidade do experimento importam mais aqui do que escolher entre bibliotecas e arquiteturas da moda.

Da discussão surge um filtro útil de cinco perguntas que deve ser executado antes de escrever código: existe uma tarefa específica, há dados honestos, a ideia pode ser testada considerando comissões e atrasos, a previsão se traduz em ação real, e produz valor econômico. Se não houver resposta confiante para nem uma pergunta, ML está sendo implantado muito cedo. Caso contrário, você obtém a armadilha típica: há uma previsão, mas nenhum lucro após todos os custos.

O Que Isso Significa

Para o mercado, este é um bom sinal de sobriedade. As redes neurais não substituem um sistema de trading e não eliminam o risco, mas ajudam a fazer melhorias direcionadas em processos onde os humanos já estão atingindo os limites do volume de dados ou velocidade de reação. Outra conclusão importante — o mercado carece de compartilhamento de experiências: enquanto indivíduos repetem os mesmos erros separadamente, ML permanece não como um acelerador de lucro, mas como um acelerador de experimentos caros.