Como o Índice de Dimensão Fractal pode ser testado de forma responsável?

Índice de Dimensão Fractal: o que você está testando

O Índice de Dimensão Fractal (FDI) é uma medida derivada de dados de séries temporais que visa quantificar o quão “acidentado” ou “complexo” o caminho da série observada parece. Na prática, o backtest de uma abordagem baseada em FDI começa decidindo qual valor de sinal você calcula, a partir de qual série de preços, usando qual comprimento de janela e quais detalhes algorítmicos.

Um backtest responsável começa com definições. Especifique:

• a série de entrada (por exemplo, retornos vs. preços)
• o passo de tempo (tick, fechamento de barra ou intervalo reamostrado)
• o tamanho da janela móvel usada para calcular o índice
• como você converte o FDI calculado em qualquer variável de decisão (por exemplo, um nível, z-score ou classificação)

Se você pular esses itens, diferentes “backtests de FDI” podem não ser comparáveis, mesmo que compartilhem o mesmo nome.

Um fluxo de trabalho de backtest responsável

1) Fixe premissas e escolhas de medição

Torne cada premissa de cálculo explícita antes de executar experimentos. Exemplos relevantes incluem como você amostra a série, como lida com barras ausentes e se calcula o FDI usando apenas informações disponíveis naquele passo de tempo. Isso é importante porque qualquer lookahead acidental (mesmo sutil) pode inflar o desempenho aparente.

Mantenha o backtest determinístico: use o mesmo caminho de código, o mesmo pré-processamento de dados e as mesmas sementes aleatórias (se houver) em todas as execuções. Documente a regra de decisão que você aplica uma vez que um valor de FDI é calculado. O backtest deve medir o que você realmente definiu, não uma história de negociação implícita.

2) Modele custos e execução de forma realista

Backtests frequentemente falham porque ignoram custos ou assumem execução perfeita. Mesmo que você não esteja tentando prever retornos, sua avaliação deve subtrair o atrito relevante para sua metodologia. No mínimo, inclua:

• custos de transação (taxas)
• um proxy de bid/ask ou spread se sua lógica de entrada/saída implicar negociação em lados diferentes do mercado
• slippage como uma premissa limitada, em vez de zero

O timing de execução também é uma escolha de medição. Se sua regra dispara no fechamento da barra, mas você assume execução instantânea no mesmo preço de fechamento, você está implicitamente fazendo uma premissa de timing favorável. Uma abordagem mais conservadora é alinhar a execução com o momento mais cedo em que a informação seria negociável sob o seu modelo de barra escolhido.

3) Controle o viés: ajuste em um período, avalie em outro

O “sucesso do backtest” frequentemente vem de overfitting: escolhas de parâmetros que se ajustam ao ruído em vez de estrutura estável. Use controles de viés, como:

• validação walk-forward (ajuste/tuning em uma janela, avaliação no próximo bloco)
• testes fora da amostra em blocos (períodos de avaliação contíguos separados)
• manter limites de decisão fixos durante a avaliação

Se você usar múltiplos ciclos de otimização, deve tratar o processo de tuning em si como parte do pipeline, não como algo que acontece apenas “depois” que os resultados parecem bons.

Evidências, exemplos e o que procurar

As evidências devem se conectar à mecânica

Uma avaliação responsável verifica se os resultados observados são consistentes com o papel do índice como uma medida de complexidade/acidentação—não apenas se uma curva de equity parece suave.

Use pelo menos um experimento de exemplo com premissas declaradas, como:

• calcular o FDI em uma janela móvel
• definir uma variável de decisão a partir do FDI (por exemplo, “alta vs. baixa complexidade” por um percentil)
• avaliar uma regra de decisão fixa e pré-declarada em um bloco fora da amostra

Em seguida, teste a sensibilidade: mude uma premissa por vez (comprimento da janela, frequência de reamostragem, método de normalização) mantendo o protocolo de avaliação constante. Se as conclusões colapsarem sob mudanças pequenas e razoáveis, a relação pode ser frágil.

Compare com baselines simples

Não como uma competição de “vencedor”, mas para interpretar se o índice adiciona algo além do comportamento genérico. Baselines podem incluir sempre no mercado, timing aleatório com a mesma frequência de negociação, ou uma estatística simplista calculada a partir dos mesmos dados. O objetivo é detectar quando a vantagem aparente do pipeline pode vir do design da avaliação, em vez do FDI.

Limitações e modos de falha a considerar

Uma limitação importante é que uma medida de complexidade pode variar por muitas razões não relacionadas a qualquer vantagem investível. O FDI pode reagir a regimes de volatilidade, quebras estruturais, mudanças de microestrutura e mudanças de regime que não persistem.

Modos de falha relevantes incluem:

• Vazamento de lookahead ao calcular o FDI com informações futuras.
• Overfitting a um pequeno conjunto de valores de parâmetros.
• Subestimação de custos que transforma pequenos ganhos aparentes em perdas após o atrito.
• Não estacionaridade: relações que valeram historicamente podem não se transferir.