O que é engenharia de atributos? Como extrair sinais de negociação mais valiosos dos preços, do volume e da volatilidade?
Na negociação quantitativa de criptomoedas, o desempenho dos modelos de aprendizado de máquina não depende apenas dos algoritmos, mas também da qualidade dos dados de entrada. Os registros brutos de preços e volumes captam as mudanças do mercado, mas nem sempre expressam diretamente as tendências, o momentum e o risco. A engenharia de atributos (Feature Engineering) consiste em transformar dados brutos em informações mais adequadas para o aprendizado dos modelos.
Primeiro, como construir atributos de preço?
É possível calcular retornos em diferentes períodos, o desvio em relação às médias móveis e o momentum dos preços para ajudar o modelo a identificar mudanças de curto prazo e tendências de médio prazo. Por exemplo, o retorno das últimas 5 velas pode descrever o desempenho recente dos preços, mas, por si só, não prova que a mesma direção continuará na próxima etapa.
Segundo, qual é a função dos atributos de volume?
É possível comparar o volume atual com o volume médio de um período anterior para observar se a atividade de negociação aumentou de forma atípica. Também é possível combiná-lo com as variações de preço para analisar a atividade de negociação durante altas ou quedas. No entanto, um aumento no volume pode acompanhar tanto a continuidade de uma tendência quanto uma reversão do mercado.
Terceiro, por que precisamos de atributos de volatilidade?
A volatilidade descreve a amplitude das variações de preço. O cálculo do desvio-padrão móvel dos retornos históricos pode ajudar o modelo a distinguir períodos relativamente estáveis de períodos de forte oscilação e auxiliar nos ajustes da avaliação de risco. Ainda assim, a volatilidade histórica não consegue prever com precisão a volatilidade futura.
Quarto, como evitar atributos ineficazes?
Todos os atributos devem usar apenas dados disponíveis no momento da previsão, e sua eficácia deve ser avaliada por meio de validação de séries temporais. Não conclua que um indicador tem capacidade preditiva estável apenas porque apresenta alta correlação com os preços em uma amostra histórica. Também é preciso considerar os custos de negociação, a redundância dos atributos e o desempenho em diferentes condições de mercado.
Uma engenharia de atributos realmente eficaz não consiste em acumular cada vez mais indicadores, mas em encontrar informações com significado claro e que possam ser validadas por testes independentes.
Próximo artigo: O que é a normalização de indicadores técnicos? Por que dados em unidades diferentes não podem ser fornecidos diretamente a modelos de aprendizado de máquina?
Na negociação quantitativa de criptomoedas, o desempenho dos modelos de aprendizado de máquina não depende apenas dos algoritmos, mas também da qualidade dos dados de entrada. Os registros brutos de preços e volumes captam as mudanças do mercado, mas nem sempre expressam diretamente as tendências, o momentum e o risco. A engenharia de atributos (Feature Engineering) consiste em transformar dados brutos em informações mais adequadas para o aprendizado dos modelos.
Primeiro, como construir atributos de preço?
É possível calcular retornos em diferentes períodos, o desvio em relação às médias móveis e o momentum dos preços para ajudar o modelo a identificar mudanças de curto prazo e tendências de médio prazo. Por exemplo, o retorno das últimas 5 velas pode descrever o desempenho recente dos preços, mas, por si só, não prova que a mesma direção continuará na próxima etapa.
Segundo, qual é a função dos atributos de volume?
É possível comparar o volume atual com o volume médio de um período anterior para observar se a atividade de negociação aumentou de forma atípica. Também é possível combiná-lo com as variações de preço para analisar a atividade de negociação durante altas ou quedas. No entanto, um aumento no volume pode acompanhar tanto a continuidade de uma tendência quanto uma reversão do mercado.
Terceiro, por que precisamos de atributos de volatilidade?
A volatilidade descreve a amplitude das variações de preço. O cálculo do desvio-padrão móvel dos retornos históricos pode ajudar o modelo a distinguir períodos relativamente estáveis de períodos de forte oscilação e auxiliar nos ajustes da avaliação de risco. Ainda assim, a volatilidade histórica não consegue prever com precisão a volatilidade futura.
Quarto, como evitar atributos ineficazes?
Todos os atributos devem usar apenas dados disponíveis no momento da previsão, e sua eficácia deve ser avaliada por meio de validação de séries temporais. Não conclua que um indicador tem capacidade preditiva estável apenas porque apresenta alta correlação com os preços em uma amostra histórica. Também é preciso considerar os custos de negociação, a redundância dos atributos e o desempenho em diferentes condições de mercado.
Uma engenharia de atributos realmente eficaz não consiste em acumular cada vez mais indicadores, mas em encontrar informações com significado claro e que possam ser validadas por testes independentes.
Próximo artigo: O que é a normalização de indicadores técnicos? Por que dados em unidades diferentes não podem ser fornecidos diretamente a modelos de aprendizado de máquina?