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

O DiffQuant é um protótipo aberto que ataca uma contradição básica do trading com ML: os modelos aprendem a minimizar o erro quadrático médio, mas são avaliados pelo índice de Sharpe. Os autores fecharam essa lacuna ao transformar todo o pipeline de trading, das features ao PnL e às taxas, em um único grafo diferenciável.

O problema dos objetivos substitutos

Na maioria dos sistemas de ML para trading quantitativo, o esquema é este: treina-se uma rede neural para prever retornos ou a direção do preço, minimizando MSE ou BCE. Depois, constrói-se uma estratégia de trading sobre essas previsões e avalia-se pelo índice de Sharpe, a razão entre o retorno médio e a volatilidade.

O problema é que esses dois objetivos não têm ligação matemática. Um MSE melhor não garante um Sharpe melhor. Na prática, a rede gasta recursos reduzindo o erro de previsão em regimes de mercado nos quais isso não afeta o resultado final de trading. Uma melhora de 15% na precisão da previsão pode não render nenhum ganho de Sharpe, problema documentado tanto em trabalhos acadêmicos quanto entre profissionais da indústria quant.

Soluções parciais, como funções de perda de ranking, métricas proxy personalizadas e ponderação post hoc, não resolvem a raiz: durante o treinamento, o gradiente não enxerga a mecânica real de trading.

Como funciona o simulador diferenciável

O DiffQuant vai direto ao ponto: todo o pipeline de trading é implementado como um único grafo computacional de operações contínuas:

• Features de mercado → um bloco neural que prevê o sinal
• Sinal → uma posição-alvo, com restrições de tamanho e direção
• Posição → PnL passo a passo com um modelo explícito de slippage e taxas
• PnL acumulado → o índice de Sharpe como função de perda escalar diferenciável

A questão técnica central é como tornar diferenciáveis o posicionamento e os custos, já que as operações reais são discretas. Os autores usam aproximações suaves: em vez de transições bruscas entre posições, funções contínuas precisas o bastante para o gradiente passar.

“Não é um sistema de trading pronto, é uma formulação diferente do

problema”, ressaltam os autores.

O resultado: o gradiente do índice de Sharpe se propaga de volta por todo o pipeline até os pesos da rede neural. O modelo treina diretamente no critério pelo qual será avaliado em produção.

Sharpe de +1.73 e +1.15 após as taxas

O protótipo foi testado em dois trimestres consecutivos held-out, períodos que o modelo não viu nem no treinamento nem no ajuste de hiperparâmetros. O Sharpe foi de +1.73 no primeiro trimestre e de +1.15 no segundo, já descontadas as taxas reais. Ambos os valores ficam acima de um, a referência aceita para estratégias algorítmicas.

O código, os dados e o protocolo completo do experimento estão publicados em acesso aberto. Qualquer pessoa com acesso a dados de mercado semelhantes pode reproduzir os resultados. Os autores evitaram de propósito complicações: sem arquiteturas exóticas nem features fora do padrão, apenas a troca da função de perda.

O que isso significa

O DiffQuant mostra que formular bem o problema importa mais do que escolher a arquitetura. Se em produção a estratégia é avaliada pelo Sharpe, é ele que deve ser otimizado no treinamento, e não substitutos. Para fundos quantitativos e pesquisadores independentes, é um sinal prático: a lacuna entre o objetivo de treinamento e a métrica real pode ser fechada tecnicamente, e isso muda não só o resultado, mas também o que exatamente o modelo aprende.