Por que redes neurais não preveem o mercado da Bolsa de Moscou e onde o ML realmente ajuda os traders

Em um encontro sobre aprendizado de máquina no trading, realizado em Moscou, surgiu uma tese sóbria: redes neurais são quase inúteis como ferramenta de previsão direta de preço. Por outro lado, o ML ajuda de verdade em tarefas mais restritas: identificar o regime de mercado, filtrar operações ruins e reduzir perdas na execução.

A ilusão da previsão de preço

No mercado ainda circula uma fantasia popular: basta mostrar ao modelo o gráfico do Sberbank ou de um índice, e ele devolve o preço exato de amanhã. Na prática, isso desmorona muito rápido. O preço é ruidoso demais, o mercado muda o tempo todo e qualquer padrão encontrado no histórico costuma sumir justamente quando a estratégia passa a operar com dinheiro real. No trading de alta frequência a situação é ainda mais dura: nanossegundos importam, e um modelo pesado pode simplesmente derrubar o sistema com latência.

"O ML não dá controle sobre o mercado e não é um botão mágico de dinheiro."

Por isso, participantes experientes do mercado enxergam o aprendizado de máquina não como um gerador de sinais prontos, mas como uma camada auxiliar sobre a estratégia básica. Mesmo que o modelo acerte a direção do movimento com mais frequência que o acaso, isso não basta. Entre uma boa previsão e o dinheiro estão a fila no livro de ofertas, o slippage e as comissões da corretora e da bolsa. Como resultado, um modelo formalmente forte pode dar prejuízo onde o backtest parecia quase perfeito.

Onde o ML funciona

A ideia mais sensata da discussão é simples: o aprendizado de máquina traz benefício onde a tarefa é restrita e verificável. Em vez de tentar prever o mercado em si, o modelo ajuda a decompô-lo: em que regime ele está, quais sinais vale ignorar e onde os custos vão engolir o lucro potencial. Essa abordagem está bem mais próxima da prática real do algotrader individual, que não pode bancar a infraestrutura de um hedge fund.

• Identificação da fase do mercado: tendência, lateralização, pico de volatilidade
• Filtragem de sinais: quais operações da estratégia básica é melhor não fazer
• Otimização da execução: como entrar em uma posição com menos slippage
• Análise da microestrutura do livro de ofertas: busca de padrões no fluxo de ordens

Para o trader pessoa física isso é especialmente importante, porque ele costuma acumular todos os papéis: busca dados, limpa, cria variáveis, monta o modelo, testa hipóteses, calcula riscos e depois ele mesmo coloca o resultado em produção. Nesse cenário, o ML é útil não como vitrine de promessas altas, mas como ferramenta para uma melhoria específica e restrita, por exemplo, desligar uma estratégia de tendência em uma lateralização forte ou não fazer uma operação com execução esperada ruim.

Por que as estratégias morrem

A maioria dos problemas começa não no modelo, mas antes, na etapa de dados e de verificação de hipóteses. Se falta um dia nos candles, os futuros foram emendados com erro ou as variáveis contêm por acidente informação do futuro, o algoritmo encontra na hora um padrão que não existe. No histórico parece o Santo Graal, mas no trading real acaba muito rápido. Daí o princípio central: garbage in, garbage out. A qualidade dos dados e a honestidade do experimento importam mais aqui do que a escolha entre bibliotecas e arquiteturas da moda.

A discussão rendeu um filtro útil de cinco perguntas, que vale aplicar antes de escrever código: existe uma tarefa concreta, existem dados honestos, é possível testar a ideia considerando comissões e latência, a previsão se transforma em ação real e tudo isso gera efeito econômico. Se pelo menos uma pergunta não tiver resposta segura, o ML está sendo incluído cedo demais. Caso contrário, cai-se na armadilha típica: a previsão parece existir, mas, depois de todos os custos, não há lucro.

O que isso significa

Para o mercado, é um bom sinal de sobriedade. Redes neurais não substituem um sistema de trading nem eliminam o risco, mas ajudam a melhorar processos de forma pontual onde a pessoa já esbarra no volume de dados ou na velocidade de reação. Outra conclusão importante é que falta ao mercado troca de experiência: enquanto os traders individuais repetem separadamente os mesmos erros, o ML continua sendo não um acelerador de lucro, mas um acelerador de experimentos caros.