Glossário IA
O dicionário completo da Inteligência Artificial
Alfa Estatístico
Medida de desempenho ajustada ao risco de uma carteira, representando o retorno excedente gerado pelo modelo de machine learning em relação a um benchmark, após neutralizar a exposição a fatores de mercado conhecidos.
Backtesting Walk-Forward
Metodologia de validação robusta onde o modelo é treinado em um período 'in-sample', testado no período seguinte 'out-of-sample', e então esta janela é movida no tempo para simular condições de negociação reais e evitar o overfitting.
Validação Cruzada por Série Temporal (Time Series CV)
Técnica de validação cruzada adaptada a dados financeiros que respeita a estrutura temporal, utilizando dobras (folds) baseadas em períodos consecutivos em vez de amostragem aleatória para prevenir o vazamento de informações do futuro para o passado.
Engenharia de Features Financeiras
Processo de criação e seleção de variáveis preditivas (features) a partir de dados brutos de mercado, como indicadores técnicos, índices macroeconômicos ou medidas de sentimento, para otimizar o desempenho dos modelos de previsão.
Florestas Aleatórias para Séries Temporais
Adaptação do algoritmo Random Forest para a previsão de séries temporais financeiras, utilizando defasagens (lags) da variável alvo e outras covariáveis como features, capaz de capturar relações não lineares complexas.
GARCH (Heterocedasticidade Condicional Autorregressiva Generalizada)
Modelo estatístico de séries temporais que captura a volatilidade condicional, onde a variância dos erros depende das variâncias dos períodos anteriores, essencial para modelar e prever a incerteza dos mercados financeiros.
Gradient Boosting Machine (GBM) para Trading
Técnica de ensemble que constrói iterativamente modelos preditivos fracos (geralmente árvores de decisão) para formar um modelo poderoso, frequentemente utilizada para prever retornos ou a direção dos preços de ativos.
Lookahead Bias
Erro metodológico no backtesting onde informações não disponíveis no momento da previsão (dados futuros) são utilizadas, levando a uma superestimação do desempenho do modelo de trading.
Aprendizado de Máquina de Alta Frequência (HFT-ML)
Aplicação de algoritmos de ML para analisar dados de mercado em microssegundos ou milissegundos, a fim de identificar e explorar ineficiências de preços ultracurtas através de estratégias de negociação automatizadas.
Modelo Híbrido ARIMA-ML
Abordagem que combina um modelo ARIMA para capturar os componentes lineares e autocorrelacionados de uma série temporal financeira com um modelo de aprendizado de máquina (como uma rede neural) para modelar os resíduos não lineares.
Redes Neurais Recorrentes (RNN) para Finanças
Arquitetura de deep learning projetada para processar sequências de dados, como preços históricos, mantendo uma memória de estados anteriores, o que a torna particularmente adequada para a previsão de séries temporais financeiras.
Índice de Sharpe do Modelo
Métrica de avaliação que mede o retorno ajustado ao risco de uma estratégia de negociação gerada por um modelo de aprendizado de máquina, calculando o excesso de retorno em relação à taxa livre de risco, dividido pelo desvio padrão dos retornos.
Estacionariedade por Cointegração
Conceito onde uma combinação linear de várias séries temporais financeiras não estacionárias (por exemplo, os preços de duas ações) é ela própria estacionária, permitindo a criação de pares de negociação e estratégias de retorno à média.
Máquina de Vetores de Suporte (SVM) para Classificação de Tendências
Algoritmo supervisionado que encontra um hiperplano ótimo para separar os dados em classes (por exemplo, 'alta', 'baixa', 'lateral'), usado para prever a direção futura dos preços de ativos financeiros.
Sobreajuste (Overfitting) em Finanças
Fenômeno onde um modelo de aprendizado de máquina aprende o ruído específico dos dados históricos de treinamento em vez dos sinais subjacentes, resultando em excelente desempenho em backtest, mas desempenho medíocre em negociação real.
Transformers para Séries Temporais Financeiras
Arquitetura de deep learning baseada em mecanismos de atenção, adaptada para modelar dependências de longo prazo em dados de mercado, superando frequentemente RNNs e LSTMs em tarefas de previsão complexas.
Volatilidade Estocástica por MCMC
Modelagem da volatilidade como um processo latente não-observado, cujos parâmetros são estimados usando métodos de Monte Carlo por Cadeias de Markov (MCMC), oferecendo uma descrição mais rica e flexível da incerteza do mercado.