Metodologia & Transparência
Acreditamos que uma ferramenta de informação séria deve mostrar como funciona e onde erra. Esta página descreve, em alto nível, como nossos modelos são validados e monitorados. Não divulgamos a composição exata dos modelos (features, ativos e parâmetros são proprietários), mas explicamos os processos e salvaguardas que sustentam os números exibidos no produto.
Dois sistemas independentes
A Plataforma opera dois conjuntos de modelos, com propósitos distintos:
- Sinais estatísticos de portfólio (PnL científico): modelos validados ao longo de meses de pesquisa, promovidos apenas quando superam um referencial de comprar-e-segurar sob critérios estatísticos rígidos.
- Predições direcionais (IA): modelos de aprendizado profundo que estimam um viés de curtíssimo prazo (1, 3 e 7 dias). São uma camada informativa — não decidem alocação.
Como validamos
Validação fora da amostra (walk-forward)
Modelos são avaliados em janelas temporais que o modelo nunca viu durante o treino (validação walk-forward), simulando a passagem real do tempo. Um modelo só é considerado válido se a vantagem se sustenta em múltiplas janelas — não em um único período de sorte.
Determinismo e reprodutibilidade
Avaliações usam snapshots congelados dos dados, porque fontes de cotação ao vivo podem reescrever o passado e distorcer resultados. Isso evita que uma métrica pareça boa só por causa de ruído da fonte de dados.
Limiar de promoção
Modelos não entram em produção por terem "ficado bons no backtest". Passam por testes de significância (que penalizam tentativas múltiplas e sorte) e por um guarda de atividade (um modelo que fica majoritariamente fora do mercado não é creditado por isso). Quando um modelo não passa, ele é refutado e registrado como tal.
Como medimos qualidade direcional
- Calibração: quando o modelo diz "70% de confiança", esse número deveria corresponder à frequência real de acerto. Medimos e corrigimos esse descasamento (calibração probabilística).
- Brier / ECE: métricas que penalizam confiança mal calibrada, não apenas acerto/erro.
- Acurácia honesta: reportamos a acurácia direcional efetiva, inclusive quando ela é apenas modesta. Modelos sem amostra suficiente são marcados como tal, não maquiados.
Monitoramento contínuo
Champion–challenger
O modelo em produção (champion) é continuamente comparado a alternativas (challengers). A troca só ocorre quando há ganho consistente, não pontual.
Detecção de drift
O mercado muda de regime. Monitoramos diariamente sinais de que um modelo degradou em relação ao seu treino e, quando o desvio é material, ele é sinalizado para reavaliação ou desativado.
Stop-loss metodológico
Modelos promovidos sob condições limítrofes ficam sob critérios formais de rebaixamento: se o desempenho real fica abaixo do esperado por tempo suficiente, eles são despromovidos automaticamente.
O que isto NÃO é
Nenhuma das salvaguardas acima transforma estatística em certeza. Os modelos erram, mercados são imprevisíveis e performance passada não garante resultados futuros. Os números desta plataforma são informação para o seu estudo — não recomendação personalizada. Ver Termos de Uso.