O que é validação cruzada para séries temporais? Por que não se deve embaralhar aleatoriamente os conjuntos de treino e teste ao prever criptomoedas?
Na negociação quantitativa de criptomoedas, os modelos de aprendizado de máquina muitas vezes precisam ser treinados com dados históricos para, em seguida, prever a direção futura dos preços. Mas, se os dados forem embaralhados aleatoriamente antes de dividir os conjuntos de treino e teste, como em tarefas de classificação comuns, a ordem temporal pode ser comprometida, fazendo com que os resultados da avaliação do modelo sejam excessivamente otimistas.
Primeiro: o que é validação cruzada para séries temporais?
É um método que organiza o treinamento e a validação de acordo com a ordem temporal. O modelo é treinado com dados passados e depois faz previsões para um período posterior. Em seguida, a janela de tempo avança, e o processo de treinamento e validação se repete, permitindo observar o desempenho do modelo em diferentes fases do mercado.
Segundo: por que não se deve embaralhar os dados aleatoriamente?
Os dados financeiros têm dependência temporal. Amostras próximas podem compartilhar o contexto do mercado, janelas de indicadores técnicos ou até rótulos de previsão sobrepostos. Uma divisão aleatória pode fazer com que o conjunto de treino inclua informações posteriores ao período de teste, deixando a avaliação incompatível com a ordem temporal de uma negociação real.
Terceiro: como dividir os dados corretamente?
Por exemplo, use os dados de janeiro a junho para treinar, os de julho para validar e os de agosto para o teste final. A duração das janelas deve ser definida de acordo com o volume de dados e o horizonte de previsão. O conjunto de teste final deve permanecer independente; não ajuste repetidamente o modelo sempre que os resultados forem insatisfatórios.
Quarto: o que mais é preciso observar?
Etapas como normalização, tratamento de valores ausentes e seleção de atributos devem ser ajustadas usando apenas os dados da janela de treino atual. Se houver sobreposição temporal entre os rótulos, também é preciso considerar intervalos de isolamento adequados. Avalie o modelo separadamente em diferentes fases do mercado para evitar que ele se adapte apenas a mercados de alta ou laterais.
A validação cruzada para séries temporais não garante que o modelo será lucrativo no futuro, mas pode tornar a avaliação mais próxima das condições reais de implantação.
O treinamento deve respeitar a ordem temporal. Um modelo realmente valioso não é aquele que memoriza respostas do passado, mas o que consegue usar as informações disponíveis para avaliar de forma razoável movimentos do mercado que ainda não ocorreram.
Próximo artigo: O que é engenharia de atributos? Como extrair sinais de negociação mais valiosos dos preços, do volume negociado e da volatilidade?
Na negociação quantitativa de criptomoedas, os modelos de aprendizado de máquina muitas vezes precisam ser treinados com dados históricos para, em seguida, prever a direção futura dos preços. Mas, se os dados forem embaralhados aleatoriamente antes de dividir os conjuntos de treino e teste, como em tarefas de classificação comuns, a ordem temporal pode ser comprometida, fazendo com que os resultados da avaliação do modelo sejam excessivamente otimistas.
Primeiro: o que é validação cruzada para séries temporais?
É um método que organiza o treinamento e a validação de acordo com a ordem temporal. O modelo é treinado com dados passados e depois faz previsões para um período posterior. Em seguida, a janela de tempo avança, e o processo de treinamento e validação se repete, permitindo observar o desempenho do modelo em diferentes fases do mercado.
Segundo: por que não se deve embaralhar os dados aleatoriamente?
Os dados financeiros têm dependência temporal. Amostras próximas podem compartilhar o contexto do mercado, janelas de indicadores técnicos ou até rótulos de previsão sobrepostos. Uma divisão aleatória pode fazer com que o conjunto de treino inclua informações posteriores ao período de teste, deixando a avaliação incompatível com a ordem temporal de uma negociação real.
Terceiro: como dividir os dados corretamente?
Por exemplo, use os dados de janeiro a junho para treinar, os de julho para validar e os de agosto para o teste final. A duração das janelas deve ser definida de acordo com o volume de dados e o horizonte de previsão. O conjunto de teste final deve permanecer independente; não ajuste repetidamente o modelo sempre que os resultados forem insatisfatórios.
Quarto: o que mais é preciso observar?
Etapas como normalização, tratamento de valores ausentes e seleção de atributos devem ser ajustadas usando apenas os dados da janela de treino atual. Se houver sobreposição temporal entre os rótulos, também é preciso considerar intervalos de isolamento adequados. Avalie o modelo separadamente em diferentes fases do mercado para evitar que ele se adapte apenas a mercados de alta ou laterais.
A validação cruzada para séries temporais não garante que o modelo será lucrativo no futuro, mas pode tornar a avaliação mais próxima das condições reais de implantação.
O treinamento deve respeitar a ordem temporal. Um modelo realmente valioso não é aquele que memoriza respostas do passado, mas o que consegue usar as informações disponíveis para avaliar de forma razoável movimentos do mercado que ainda não ocorreram.
Próximo artigo: O que é engenharia de atributos? Como extrair sinais de negociação mais valiosos dos preços, do volume negociado e da volatilidade?