Overfitting no trading: o que é e como evitar
Você testa uma regra no histórico, ajusta alguns parâmetros e, de repente, o backtest mostra uma taxa de acerto excelente. Aí o robô vai para a conta demo e o resultado desaba. Na maioria das vezes, o culpado tem nome: overfitting, ou sobreajuste. Neste artigo explicamos o que é, por que ele é tão comum em robôs de dígitos e como testar uma ideia de forma honesta.
O que é overfitting
Overfitting acontece quando uma regra se ajusta tanto aos dados do passado que passa a "decorar" o ruído, e não um comportamento real. Ela descreve muito bem aquela amostra específica, mas não tem nada a dizer sobre os próximos dados.
Um exemplo simples: em um dia de ticks, alguns minutos do relógio vão mostrar 65% de acerto em "par", só por acaso. Se você escolhe esses minutos depois de olhar o resultado, o backtest fica lindo. No dia seguinte, os mesmos minutos tendem a voltar para perto de 50%, porque a vantagem nunca existiu.
Por que é tão fácil cair nisso
O problema cresce com o número de tentativas. Cada parâmetro novo, cada filtro e cada horário testado é uma chance a mais de encontrar algo bonito por sorte. Se você testa 1.440 minutos do dia em dois lados, são 2.880 combinações. Mesmo com dados totalmente aleatórios, dezenas delas vão parecer "vencedoras" em uma amostra curta.
Sinais típicos de sobreajuste:
- muitos parâmetros para poucas operações no teste;
- regras muito específicas, como "só às 14h37, só depois de três ímpares";
- resultado que piora muito com uma pequena mudança de parâmetro;
- taxa de acerto alta com poucas dezenas de operações;
- desempenho que só aparece em um período do histórico.
Como testar uma regra de forma honesta
Separe dados de treino e de validação
Escolha a regra usando só uma parte do histórico e avalie em dados que ela nunca viu. Melhor ainda: use dias que ainda nem existiam quando a regra foi criada. Esse teste fora da amostra é o filtro mais importante contra sorte. Detalhamos o processo em backtest de robô na Deriv.
Defina o critério antes de olhar
Decida antes qual taxa de acerto aprova a regra, quantas operações mínimas ela precisa ter e por quantos dias novos ela precisa se manter. Mudar o critério depois de ver o resultado é outra forma de sobreajuste.
Compare com o ponto de equilíbrio
Não basta passar de 50%. A regra precisa superar a taxa de acerto mínima que o payout exige, com folga. Se o contrato exige algo perto de 55%, uma regra que entrega 52% fora da amostra continua perdendo dinheiro.
Desconfie de resultados bons demais
Em contratos de dígitos sobre índices sintéticos, os ticks são gerados para serem aleatórios. Uma vantagem grande e estável seria muito surpreendente. Quando o backtest mostra algo assim, a hipótese mais provável é erro ou sorte, não descoberta.
Uma rotina prática anti-overfitting
- Grave o histórico de ticks continuamente.
- Gere candidatos com poucos parâmetros.
- Congele as regras e registre a data.
- Rode em modo só registro, sem operar, por vários dias novos.
- Aprove apenas o que se mantiver acima do ponto de equilíbrio com amostra suficiente.
Esse tipo de teste em sombra não custa nada e evita colocar dinheiro em uma regra que só existia no passado.
Resumo
Overfitting é quando a regra decora o passado em vez de aprender algo útil. Ele é comum porque testar muitas combinações quase sempre gera "vencedoras" por sorte. A defesa está em poucos parâmetros, critérios definidos antes, validação em dias novos e comparação com o ponto de equilíbrio do payout. Para entender por que progressões não resolvem uma regra fraca, leia sobre os riscos do martingale.
Mesmo sem ajuste fino de parâmetros, escolher a melhor regra entre muitas testadas também infla os resultados. Esse efeito, parente próximo do overfitting, é explicado em viés de seleção em backtest.
Perguntas frequentes
O que é overfitting no trading?
É ajustar demais uma regra aos dados passados até ela parecer ótima, capturando ruído em vez de padrão útil. No futuro o desempenho costuma cair.
Por que overfitting é comum em robôs de dígitos?
Porque é fácil testar milhares de combinações em séries quase aleatórias e achar “vencedoras” por sorte em amostra pequena.
Como reduzir overfitting?
Poucos parâmetros, critérios definidos antes do teste, validação em período novo e comparação com o ponto de equilíbrio do payout — sem caçar o melhor resultado do passado.
Backtest bom prova que a regra funciona?
Não. Backtest descreve o passado. Em índices sintéticos e amostras curtas, um belo gráfico pode ser só variância.
O que é teste em sombra?
Rodar a regra em paralelo sem dinheiro (ou só com registro) em dados novos, para ver se o comportamento se sustenta fora da amostra em que foi ajustada.
