DiffQuant otimiza diretamente o índice de Sharpe por meio de um simulador de trading diferenciável

DiffQuant — um protótipo de código aberto que elimina uma contradição fundamental em trading de ML: modelos aprendem a minimizar o erro quadrático médio, mas são avaliados pela razão de Sharpe. Os autores fecharam essa lacuna tornando todo o pipeline de trading — desde features até PnL e comissões — um único grafo computacional diferenciável.

Problema das Metas Substituas

Na maioria dos sistemas de ML para trading quantitativo, o esquema é assim: treinar uma rede neural para prever retornos ou direção de preço, minimizando MSE ou BCE. Então, sobre essas previsões, construir uma estratégia de trading e avaliá-la pela razão de Sharpe — a razão entre retorno médio e volatilidade. O problema: esses dois objetivos são matematicamente não relacionados.

Melhor MSE não garante melhor Sharpe. Na prática, a rede neural gasta recursos reduzindo erro de previsão em regimes de mercado onde isso não impacta o resultado final do trading. Uma melhoria de 15% na precisão da previsão pode não gerar nenhum ganho de Sharpe — e este é um problema documentado tanto em trabalhos acadêmicos quanto entre profissionais da indústria quantitativa.

Soluções parciais — funções de perda de ranking, métricas proxy personalizadas, ponderação post-hoc — não resolvem o cerne da questão: o gradiente durante o treinamento não enxerga a mecânica real de trading.

Como o Simulador Diferenciável Funciona

DiffQuant resolve o problema diretamente: todo o pipeline de trading é implementado como um único grafo computacional com operações contínuas:

• Features de mercado → bloco de rede neural de previsão de sinal
• Sinal → posição alvo levando em conta restrições de tamanho e direção
• Posição → PnL passo a passo com modelo explícito de slippage e comissões
• PnL acumulado → razão de Sharpe como função de perda escalar diferenciável

O desafio técnico-chave é tornar o posicionamento e custos diferenciáveis, já que operações de trading reais são discretas. Os autores usam aproximações suaves: em vez de transições abruptas entre posições — funções contínuas suficientemente precisas para passagem de gradiente.

"Isto não é um sistema de trading pronto — é uma formulação diferente

do problema," enfatizam os autores.

Como resultado: o gradiente em relação à razão de Sharpe se propaga para trás através de todo o pipeline até os pesos da rede neural. O modelo treina diretamente no critério pelo qual será avaliado em produção.

Sharpe +1.73 e +1.15 Após Comissões

O protótipo foi testado em dois trimestres consecutivos held-out — períodos que o modelo não viu durante treinamento ou ajuste de hiperparâmetros. Sharpe +1.73 no primeiro trimestre e +1.15 no segundo após considerar comissões reais. Ambos os valores excedem um — o benchmark baseline aceito para estratégias algorítmicas. O código, dados e protocolo completo do experimento foram publicados em acesso aberto. Qualquer um com acesso a dados de mercado similares pode reproduzir os resultados. Os autores deliberadamente evitaram complexidade — nenhuma arquitetura exótica ou features não padrão: apenas uma mudança na função de perda.

O Que Isso Significa

DiffQuant demonstra que formulação correta do problema importa mais que escolha de arquitetura. Se uma estratégia em produção é avaliada por Sharpe — otimização durante treinamento deve almejar precisamente isso, não substitutos. Para fundos quants e pesquisadores independentes, este é um sinal prático: o gap entre objetivo de treinamento e métrica real pode ser fechado tecnicamente — e isso muda não apenas o resultado, mas também o que o modelo aprende.