Com que frequência um modelo de IA para trading deve ser retreinado? Modelo fixo vs. janela móvel

Um modelo fixo continua lendo preços novos

Congelar um modelo significa manter seus coeficientes aprendidos e as estatísticas de pré-processamento. Não significa repetir a entrada ou a previsão de ontem. Nosso modelo fixo recebe os mesmos atributos diários recém-concluídos que os modelos atualizados; só mudam as datas em que ocorre o aprendizado.

A questão econômica é se substituir relações aprendidas por estimativas de observações mais recentes melhora as decisões o bastante para compensar instabilidade e custos. Dados recentes podem ajudar uma relação desatualizada, mas trocar uma estimativa ruidosa por outra não é melhoria automática. Frequência de treinamento e extensão da janela são escolhas distintas.

Ampliamos nosso backtest causal de aprendizado de máquina com uma comparação controlada de calendários. Trata-se de regressão logística supervisionada, não de retreinar os modelos fundamentais do ChatGPT ou Claude. Mudar um prompt, adotar uma nova versão do fornecedor e reajustar um pequeno classificador de trading são intervenções diferentes.

Mude primeiro o calendário; depois isole a janela de histórico

Antes de executar as comparações adicionais, registramos quatro políticas e preservamos todos os resultados. A política mensal com janela móvel e esse histórico de mercado já haviam sido examinados no trabalho publicado. Registrar a nova comparação antes da execução evita mudanças guiadas pelo vencedor dentro deste exercício; não torna novo ou intocado o período subjacente.

As três primeiras políticas começam com o mesmo ajuste no fechamento completo de 1º de janeiro de 2024. Cada ajuste usa uma janela dos 730 dias corridos anteriores, exclui alvos ainda não resolvidos e estima um novo padronizador e modelo. A política fixa conserva o primeiro ajuste. Semanal significa a cada sete dias corridos desde 1º de janeiro, não uma agenda escolhida por um gráfico lucrativo. Mensal significa o fechamento completo do primeiro dia de cada mês em UTC.

A quarta política altera apenas a memória do treinamento mensal: mantém as datas de atributos elegíveis desde 1º de janeiro de 2022, sem descartar as antigas conforme a janela avança. Ela começa com a mesma matriz das demais. No último ajuste mensal, o histórico expansivo contém 1,425 linhas resolvidas, contra 725 na janela móvel. A amostra maior também muda o problema de ajuste sob a mesma regularização; não é um teste puro de frequência do calendário.

Mantenha inalterados o relógio da informação e a conta

Todos os ajustes usam StandardScaler seguido de LogisticRegression com C = 1, lbfgs, max_iter = 2000 e semente registrada de 6142026. Os seis atributos são retornos de fechamento em 1, 5 e 20 dias; desvio-padrão populacional dos últimos 20 retornos diários; amplitude máxima–mínima do dia completo dividida pelo fechamento; e volume dividido pela média móvel de 20 dias, menos um. As transformações são ajustadas somente ao respectivo treinamento. A orientação sobre vazamento e a documentação do estimador do scikit-learn fundamentam essas escolhas de implementação. [1][2]

O alvo binário indica se open[t+6] / open[t+1] − 1 é positivo. A data do atributo precisa anteceder o ajuste, e a abertura que encerra seu alvo já deve estar disponível. Assim, em 1º de janeiro de 2024, todas as políticas têm 725 linhas de 1º de janeiro de 2022 a 26 de dezembro de 2023; o último alvo termina na abertura de 1º de janeiro. Cinco linhas mais recentes têm resultados ainda não resolvidos e são excluídas. As quatro probabilidades iniciais são 0.452770, abaixo do limiar fixo de 0.55.

Cada trajetória começa independentemente com 10,000 USDT. Sem posição, probabilidade de pelo menos 0.55 agenda compra na abertura seguinte e venda obrigatória em open[t+6], intervalo de cinco dias entre aberturas. A compra usa 90% do caixa disponível, incluindo a taxa de entrada. Não há alavancagem, venda a descoberto, posições sobrepostas ou novo sinal de entrada no dia da execução de saída. Cada lado paga comissão assumida de 10 pontos-base e recebe execução adversa de 5 pontos-base, sem desconto adicional de spread. São hipóteses do modelo, não cotação de taxa nem garantia de preço executável.

Uma entrada é bloqueada se sua saída programada ultrapassar 31 de dezembro de 2025. As estratégias terminam sem posição; a referência de manutenção conserva o ativo e é marcada no último fechamento. O drawdown usa patrimônio no fechamento diário. Computação, monitoramento, impostos, latência, filtros de quantidade e impacto de mercado não são modelados. A execução real pode diferir da abertura diária, sobretudo para sinais formados no fechamento anterior.

Identifique as observações reutilizadas e verifique a implementação causal

A entrada é a série preservada de 2,142 dias, de 20 de fevereiro de 2020 a 31 de dezembro de 2025, agregada do arquivo CC BY 4.0 publicado por humblefool06 na revisão 9f491eb5340dd6a24f27fde24edf098e1e785443. As barras diárias UTC usam primeira abertura, máxima, mínima, último fechamento e soma dos volumes. O SHA-256 da entrada normalizada é 43655a51e6cb41c2ee087bd947f4cefb7dd4151617a29d7f75a3cda471ae5cbb, conferido na execução desta extensão. [3]

Herdamos o registro de 18 de outubro que comparou exatamente as 731 barras de avaliação, ou 3,655 células OHLCV, com o endpoint diário da Binance. Não repetimos essa verificação externa. O publicador não identifica explicitamente a origem do arquivo em uma corretora, e as observações anteriores de treinamento continuam sem verificação externa. Concordância com um endpoint não é cobertura independente de mercados. A Binance identifica candles pela abertura; nossas datas correspondem a essas sessões UTC. [4]

A execução usou Python 3.13.3, NumPy 2.2.6, pandas 2.2.3 e scikit-learn 1.6.1. Cada ajuste verifica resolução dos alvos, presença das duas classes, médias do padronizador calculadas só no treinamento e convergência. Reconstruir as previsões com coeficientes salvos reproduz as probabilidades do pipeline. Alterar preços e volumes após 15 de junho de 2024 mantém idênticos os parâmetros e previsões anteriores de todas as políticas. As probabilidades mensais móveis coincidem exatamente com o motor original; uma repetição contábil independente em aritmética decimal coincide com os quatro saldos finais a menos de 0.0000001 USDT. Isso verifica as propriedades descritas de tempo e contabilidade, não a ausência de todo erro possível. As tabelas preservam vírgula para milhares e ponto decimal.

Mais ajustes não produziram uma melhora monotônica

A trajetória fixa termina em 13,073.92 USDT; a semanal móvel, 11,753.42; a mensal móvel, 9,832.51; e a mensal expansiva, 9,548.20. Nenhum resultado foi descartado ou consertado escolhendo outro limiar. A referência de comprar e manter, com alocação inicial de 90% e mesmos custos, termina em 19,627.85 USDT: retorno marcado de +96.28% e drawdown de fechamento diário de 30.86%. Caixa sem rendimento permanece em 10,000; é uma alternativa contábil definida, não a afirmação de que USDT não tem risco.

O desempenho bruto é uma nova simulação da conta com as mesmas previsões e regras, mas taxas e slippage zerados. Não é o retorno líquido acrescido de um percentual final de custos. Custos alteram quantidades e a composição posterior. O modelo fixo também tem menor drawdown e exposição; sua diferença de retorno para a manutenção não estima alfa ajustado ao risco.

A política semanal completa 70 operações, contra 33 da fixa, com fração média do patrimônio investida de 43.10% e 20.33%, respectivamente. A mensal móvel tem 40.63%, a expansiva 27.07% e a manutenção 94.29%. O calendário muda quais sinais superam o limiar, alterando a trajetória da conta; um ajuste do modelo, por si só, não exige operação no mercado.

Pontue as probabilidades separadamente da conta de negociação

Cada política gera 731 previsões diárias, mas apenas 725 têm alvo encerrado dentro da avaliação: atributos de 1º de janeiro de 2024 a 25 de dezembro de 2025. As quatro pontuações usam exatamente essas datas e os mesmos 390 resultados positivos. As seis previsões finais permanecem no registro, fora da pontuação de alvos resolvidos. A contagem semanal inclui o reajuste de 29 de dezembro, embora já seja tarde para iniciar uma operação permitida na avaliação.

A perda logarítmica avalia a probabilidade atribuída à classe realizada; a perda de Brier binária é o erro quadrático médio das probabilidades. Menor é melhor. Comparamos cada modelo com a frequência de rótulos positivos de seu próprio treinamento disponível naquele momento, mantida até o ajuste seguinte. São pontuações de previsão, não de lucro. [5][6]

As probabilidades fixas são ligeiramente melhores que sua referência de frequência. Cada modelo retreinado é pior que sua própria referência nas duas medidas. A acurácia no limiar de classificação de 0.50 é 51.59% para o fixo e 50.76% para cada atualizado; prever a classe positiva em todas as datas daria 53.79%. A negociação, porém, usa 0.55 e um estado de posição restrito. Acertar a direção não substitui magnitude dos resultados, custos nem um registro causal de operações.

As pontuações são comparações descritivas, não testes de significância com ensaios independentes. Alvos consecutivos de cinco dias se sobrepõem e todas as políticas enfrentam a mesma história. Não estimamos um intervalo de confiança confiável para uma vantagem universal de calendário.

Acompanhe uma previsão alterada até o estado da conta

Semanal e mensal móveis discordam pela primeira vez sobre ultrapassar 0.55 em 18 de janeiro de 2024: a semanal prevê 0.560402 após o ajuste de 15 de janeiro; a mensal prevê 0.545967 com o modelo inicial. Porém, ambas estão no dia de saída programada, que impede nova entrada. Sinais de limiar diferentes não geram imediatamente operações diferentes.

A primeira divergência efetiva de ação ocorre em 22 de fevereiro. As duas contas estão sem posição, com 10,521.989578 USDT. O modelo semanal de 19 de fevereiro prevê 0.551331 e agenda entrada para 23 de fevereiro; o mensal de 1º de fevereiro prevê 0.523412 e mantém caixa. A operação semanal tem saída programada em 28 de fevereiro. Diferenças posteriores se propagam por caixa, posição e bloqueios de reentrada; contar divergências de previsão não explica sozinho a diferença de retorno terminal.

A primeira operação comum oferece uma conferência contábil, sem selecionar um sucesso. Um sinal em 12 de janeiro compra 0.210050027959 BTC em 13 de janeiro ao preço modelado de 42,804.131370 e vende em 18 de janeiro a 42,754.701955. O P&L de preço nesses fills é −10.382650 USDT; as taxas de entrada e saída são 8.991009 e 8.980626. A perda líquida é −28.354285, deixando 9,971.645715 em caixa. O slippage já está nos preços e não é deduzido novamente. É uma operação de backtest, não uma ordem real.

Meça como a nova trajetória consome custos

A soma dos valores nocionais de compras e vendas executadas, dividida pelo capital inicial, é 71.34 para a fixa, 157.72 para a semanal móvel, 122.29 para a mensal móvel e 88.75 para a expansiva. Essa definição conta os dois lados, sem dividir o giro por dois. As comissões modeladas são 713.42, 1,577.25, 1,222.92 e 887.51 USDT. Atualizações mais frequentes podem gerar mais negociação, mas as diferenças vêm das decisões deste modelo, não de uma obrigação de negociar a cada atualização.

Reexecutamos as quatro contas com slippage adverso por lado de 0, 5, 10 e 20 pontos-base, mantendo a comissão em 10. A semanal móvel cai de +25.18% sem slippage para −2.71% a 20 pontos-base. A fixa permanece positiva nesses casos; é sensibilidade condicional, não prova de que sua execução real seguiria o modelo. Não escolhemos a hipótese de slippage para tornar lucrativa uma política preferida.

Mais histórico mudou o resultado, mas não o resolveu

As políticas mensais móvel e expansiva compartilham calendário, matriz inicial e última data elegível em cada ajuste. O que muda é quais linhas antigas permanecem. Em 1º de dezembro de 2025, a móvel começa em 2 de dezembro de 2023; a expansiva ainda começa em 1º de janeiro de 2022; ambas terminam em 25 de novembro de 2025. A amostra expandida tem 1,425 linhas resolvidas, quase o dobro. Mais linhas não melhoraram a conta nesta comparação.

A divisão anual impede que o total esconda a trajetória. A mensal expansiva ganha 18.75% em 2024 e perde 19.60% em 2025. São segmentos consecutivos de uma conta, sem reinícios anuais. Anos civis são divisões de relatório, não regimes de mercado estabelecidos nem replicações independentes.

Os resultados são assimétricos. Ganho/perda médios são +511.46/−474.56 USDT na fixa, +430.46/−357.84 na semanal, +332.83/−318.18 na mensal móvel e +440.27/−322.18 na expansiva. Retirar os três maiores ganhos do P&L aditivo registrado deixa +556.07, −2,034.23, −2,931.61 e −3,742.12 USDT, respectivamente. É diagnóstico de concentração, não estratégia modificada executável: excluir operações também mudaria o caixa e os tamanhos seguintes.

Treine o candidato pelo calendário; promova-o por um motivo

Uma política prática define quando construir um candidato e, separadamente, quando substituir o modelo em produção. O calendário pode disparar um ajuste após novos alvos amadurecerem. A promoção deve verificar qualidade de entrada, consistência dos atributos, comportamento das probabilidades, decisões alteradas, economia líquida e limites operacionais. Uma chamada de treinamento bem-sucedida não é autorização de lançamento.

Concept drift diz respeito a uma mudança na relação entre entradas e alvos; uma semana de perdas ou alteração nas médias das entradas não prova, isoladamente, que essa relação mudou. A revisão original sobre drift distingue adaptação e avaliação. [7] Um incidente de dados pede correção; uma falha de execução pede conciliação. Retreinar com dados corrompidos não resolve nenhum dos dois. Uma política disparada por drift exigiria sua própria comparação causal; não a testamos aqui.

Para este modelo, o próximo passo justificável é uma nova comparação prospectiva com regras fixas de seleção e promoção, sem declarar vencedor permanente o maior retorno retrospectivo. Preserve o padronizador e o modelo exatos do incumbente; execute o candidato em modo sombra nas mesmas novas observações, registre intervenções e mantenha um caminho de reversão. O protocolo de teste ao vivo separa uma liberação operacional da evidência de rentabilidade.

ChatGPT ou Claude podem ajudar a especificar essas regras; Codex ou Claude Code podem auxiliar na auditoria da implementação. Neste estudo, a análise teve assistência de IA, enquanto Python executou os ajustes e cálculos preservados. Não comparamos esses produtos como modelos de trading. Peça ao assistente que mantenha todo o histórico de calendários testados e de alvos não resolvidos, em vez de editar até um intervalo parecer lucrativo.

Compare estes calendários declarados mantendo atributos, estimador, limiar, tempo da informação e regras da conta fixos. Separe frequência de atualização e política da janela. Em cada ajuste, exclua alvos ainda não resolvidos e ajuste o pré-processamento apenas nas linhas elegíveis. Preserve todos os candidatos, previsões, datas de ajuste e decisões. Relate pontuações de probabilidade em datas comuns, resultado líquido da conta, exposição, giro e períodos de perda. Explique seleção e reutilização de dados. Não ajuste com base na avaliação nem chame um período reutilizado de intocado.