O que significa sobreajuste
Sobreajuste é um modo de falha de modelagem em que um método aprende padrões que descrevem os dados de treinamento muito de perto, incluindo ruído e coincidências, em vez de apenas as relações subjacentes e repetíveis. Na prática, um modelo sobreajustado pode parecer forte nos dados em que foi ajustado, enquanto se comporta mal quando exposto a condições novas ou alteradas.
Como os riscos se manifestam em situações realistas
Um fluxo de trabalho comum é: ajustar um modelo ou regras a observações históricas, escolher configurações que melhorem os resultados nesse mesmo conjunto histórico e, em seguida, assumir que a configuração escolhida irá generalizar. O sobreajuste interrompe essa cadeia de várias maneiras.
Risco operacional (problemas de processo e pipeline)
O risco operacional surge porque a “visão dos dados” usada durante o ajuste frequentemente difere da “visão dos dados” usada durante o uso ao vivo. Fontes típicas são:
- Diferente frequência de amostragem ou agregação (por exemplo, com que frequência os recursos são calculados).
- Escolhas de limpeza de dados (como valores ausentes são tratados, regras de outliers).
- Diferenças de implementação (arredondamento, suposições de execução ou como os sinais são acionados).
Se o sucesso do modelo depende de peculiaridades do pipeline de ajuste, essas peculiaridades podem desaparecer mais tarde, causando comportamento inesperado.
Risco de mercado e de regime (condições em mudança)
As condições de mercado são não estacionárias: relações que valeram no passado podem enfraquecer, desaparecer ou se inverter. O sobreajuste piora isso porque o método pode ter armazenado condições de granularidade fina que estavam presentes na janela de treinamento, mas estão ausentes depois. Mesmo que a relação “verdadeira” exista, o ajuste ao ruído pode reduzir a robustez.
Risco de contraparte (entradas e restrições que você não pode controlar totalmente)
Em ambientes semelhantes a negociação, a incerteza relacionada à contraparte pode aparecer como diferenças entre a execução assumida e a realizada. Exemplos de incompatibilidades incluem:
- Fricções de negociação não representadas na avaliação histórica (spreads, comissões, slippage).
- Restrições no momento da ordem ou na disponibilidade de preenchimento.
Se a avaliação ignora esses fatores ao ajustar o modelo aos resultados históricos, a configuração escolhida pode ter desempenho inferior quando essas restrições se aplicam.
Risco de interpretação (excesso de confiança a partir de métricas enganosas)
O sobreajuste cria risco de interpretação: as pessoas podem confundir “qualidade do ajuste” com validade preditiva. Por exemplo, selecionar repetidamente a melhor configuração após observar resultados históricos pode inflar o desempenho aparente. A limitação material é que o ajuste histórico não prova a generalização futura, especialmente quando muitas variantes são testadas.
Evidência ou lógica de exemplo (sem assumir resultados garantidos)
Suponha que você teste 1.000 variações de uma estratégia no mesmo período histórico e selecione o melhor desempenho. Mesmo que nenhuma das variações capture uma vantagem verdadeira e repetível, algumas parecerão bem-sucedidas devido à aleatoriedade. A opção selecionada pode então ser frágil: um período de tempo diferente ou uma janela de dados ligeiramente diferente pode remover a coincidência que produziu a pontuação alta.
Um modo de falha simples para verificar conceitualmente é a sensibilidade: se pequenas mudanças nas entradas, no intervalo de tempo ou no pré-processamento causam grandes mudanças no comportamento, isso sugere que o método está dependendo de artefatos específicos.
Limitações materiais, modos de falha e pontos de controle independentes
O sobreajuste não é apenas sobre “quão bem se ajusta”, mas sobre robustez sob mudança. Limitações e riscos principais incluem:
- Captura de ruído: o desempenho pode refletir estrutura aleatória nos dados de treinamento.
- Viés de seleção: escolher repetidamente com base em resultados históricos pode superestimar o desempenho esperado.
- Mudança de distribuição: regimes de mercado e condições de medição podem mudar.
- Incompatibilidade de avaliação: suposições de backtest ou avaliação offline podem diferir das restrições reais.
Pontos de controle de verificação independentes que você pode usar são conceituais, não promessas: teste o método em dados que não estiveram envolvidos no ajuste, compare o comportamento em diferentes janelas de tempo e examine a sensibilidade a suposições de pré-processamento e execução. Como custos e detalhes de execução variam, os resultados podem diferir dos resultados históricos.
Verificação ou próxima pergunta a fazer
Uma próxima pergunta útil é: “Que evidência mostraria que o modelo está usando uma relação estável em vez de ajustar ruído?” Na prática, isso significa focar em verificações de robustez, suposições de avaliação transparentes e clareza sobre quais partes do fluxo de trabalho podem mudar entre a avaliação histórica e o uso futuro.