Quais Dados São Necessários para Avaliar Expert Advisors MT4?

Definição e a questão central

Um Expert Advisor (EA) MT4 é uma lógica de negociação automatizada que opera no MetaTrader 4. Para avaliar um EA, você precisa de dados que permitam entender (1) o que o EA realmente faz e (2) sob quais condições o EA foi avaliado. O objetivo não é prever lucros futuros, mas verificar se o comportamento declarado e o comportamento testado são consistentes e baseados em premissas claramente definidas.

Entradas: quais dados você precisa para descrever o EA

Comece pela descrição operacional do EA. As entradas mínimas úteis são:

1. Lógica e parâmetros da estratégia: as regras que o EA usa (critérios de entrada/saída, controles de risco, gerenciamento de posição) e o conjunto completo de entradas ajustáveis. Se o EA usa indicadores, registre quais indicadores, seus valores de parâmetros e como eles são combinados.

2. Sessão de negociação e premissas de execução: quaisquer filtros como horários de negociação permitidos, tipos de ordens, tratamento de slippage e se o EA limita a negociação durante eventos semelhantes a notícias (se tais regras existirem).

3. Premissas do modelo de custos: o spread assumido, comissões, swaps/encargos de financiamento e quaisquer custos de negociação modelados. Se os resultados do EA forem apresentados sem documentar os custos, essa é uma entrada ausente material.

4. Dados usados para a avaliação: a série de preços histórica usada para o backtesting, incluindo o período gráfico, o modelo de barras (como ticks/barras são construídos) e se o backtest usa premissas de execução realistas.

5. Configuração do ambiente: premissas da moeda da conta, restrições relacionadas à alavancagem (se relevantes para verificações de margem) e permissões de negociação. Mesmo que o EA “apenas compre/venda”, limites de margem e restrições de execução podem afetar a viabilidade.

Procedência: de onde vieram os dados

Procedência significa que você pode rastrear cada conjunto de dados e configuração até uma fonte:

• Fonte e documentação do EA: de onde veio o código ou o binário compilado, informações de versão/build e qualquer documentação descrevendo o que cada parâmetro se destina a controlar.
• Configuração usada durante o teste: os valores exatos dos parâmetros, o método de dimensionamento de ordens e as configurações de risco usados durante qualquer desempenho relatado.
• Origem dos dados de mercado: o fornecedor ou conjunto de dados usado para backtests históricos. Se a origem não for clara, você não pode julgar se o backtest capturou liquidez e premissas de microestrutura.
• Procedência do método de avaliação: se os resultados vieram de backtesting, teste forward ou negociação simulada (paper trading), e por quanto tempo cada período durou.

Isso é importante porque configurações de parâmetros idênticas podem se comportar de forma diferente quando a origem dos dados ou o modelo de execução muda.

Atualidade e “o que era conhecido quando”

Mesmo em um contexto não ao vivo, a atualidade afeta a interpretação. Você precisa identificar:

• A janela de tempo usada para o backtesting (datas de início/fim) e se ela se sobrepõe a períodos de avaliação posteriores.
• Risco de vazamento de dados: se qualquer otimização usou informações do mesmo período em que posteriormente “comprovou” o desempenho.
• Definição de fora da amostra: o que foi reservado para avaliação versus o que foi usado para ajustar parâmetros.

Uma abordagem prática e atemporal é exigir que o desempenho do EA seja avaliado com períodos claramente separados e que você possa explicar quais entradas estavam disponíveis em cada estágio.

Evidência ou exemplo: como verificar se o EA corresponde às alegações

Para avaliar um EA, compare três camadas de evidência:

1. Consistência entre especificação e código: as regras documentadas correspondem ao comportamento do código (ou ao comportamento compilado, se o código não estiver disponível)?
2. Realismo do backtest: a avaliação usa premissas de execução plausíveis para os instrumentos e o período gráfico (incluindo custos e tratamento de preenchimento de ordens)?
3. Reprodutibilidade: alguém pode reexecutar o mesmo backtest com os mesmos parâmetros e origem de dados e obter os mesmos resultados ou resultados muito semelhantes?

Se você não puder reproduzir os resultados com a mesma configuração documentada, trate a evidência de desempenho como fraca.

Limitações e riscos: modos de falha materiais a serem observados

Limitações comuns que você deve tratar como dados de risco de primeira classe incluem:

• Sobreajuste (overfitting): desempenho que depende fortemente de valores de parâmetros específicos ou de condições históricas específicas.
• Incompatibilidade de execução: resultados de backtest que assumem preenchimentos ideais, ignoram slippage ou omitem detalhes de comissões/spread.
• Dependência oculta de regime: lógica que funciona em um regime de mercado, mas falha em outros (por exemplo, quando a volatilidade ou a estrutura de tendência muda).
• Casos extremos operacionais: comportamento durante reconexões, margem insuficiente, preenchimentos parciais ou spreads repentinos.
• Fragilidade do indicador: se o EA depende de indicadores, verifique quão sensível ele é a mudanças nos parâmetros do indicador e à resolução de dados usada.

Relações históricas não estabelecem resultados futuros; a melhor evidência disponível é limitada às condições que você pode verificar.