Quais dados são necessários para avaliar a Filtragem de Falso Rompimento?

Filtragem de falso rompimento: o que é

A filtragem de falso rompimento é uma forma de reduzir ou excluir tentativas de rompimento que falham rapidamente. Um “rompimento” deve ser definido mecanicamente (por exemplo, um preço que se move além de um nível por uma janela de lookback especificada). Um rompimento “falso” normalmente significa que o movimento não se sustenta e, em vez disso, retorna para dentro do intervalo anterior dentro de uma condição de tempo ou distância.

Para avaliar se um método de filtragem é coerente e mensurável, você precisa de dados que permitam (1) identificar rompimentos, (2) classificá-los como falsos ou não e (3) reproduzir os mesmos resultados sob premissas claramente declaradas.

Entradas de dados necessárias

Comece com o conjunto de dados mínimo que suporte as definições.

1. Identificadores de instrumento e mercado

• O nome exato do instrumento de negociação e a plataforma de negociação ou fonte de preço.
• A convenção de cotação (por exemplo, se você observa preços de compra/venda ou preços médios).

2. Série de preços com carimbos de tempo

• Abertura, máxima, mínima, fechamento (OHLC) e/ou dados de tique ou barra.
• Cobertura completa de carimbos de tempo com fuso horário claro e limites de barra definidos.
• Amostragem consistente: a mesma definição de período de tempo para detecção de rompimento e para a janela de “falso”.

3. Parâmetros da regra de rompimento

• A janela de lookback usada para definir o intervalo ou nível anterior.
• O limite para “rompimento” (por exemplo, fechamento além do nível versus qualquer toque).
• Se você exige múltiplas confirmações (como mais de uma barra) e por quanto tempo elas duram.

4. Parâmetros da regra de falha falsa

• A condição para “falso”: distância de retorno (quão longe para trás) e tempo de retorno (quantas barras ou quanto tempo).
• Se o filtro usa preços de fechamento, máximas/mínimas intrabarra ou compra/venda.

5. Premissas necessárias para cálculos

• Como você lida com spreads, slippage e tempo de execução. Se você não tiver dados de negociação/cotação, ainda deve declarar qual substituto usou (por exemplo, preço médio) e que isso altera os resultados.
• Como você trata barras ausentes, outliers e mudanças semelhantes a eventos corporativos (raras, mas possíveis em alguns conjuntos de dados).

Procedência, atualidade e verificações de qualidade

Dois conjuntos de dados podem parecer idênticos enquanto escondem detalhes incompatíveis. Para avaliação, você precisa de procedência (de onde os dados vieram), atualidade (quando refletem a realidade) e verificações de qualidade.

1. Procedência que você pode verificar

• Identidade da fonte de dados: qual provedor ou plataforma os produziu.
• Se a série é reconstruída, curada ou capturada diretamente.
• Documentação sobre como a série foi agregada em barras (especialmente para OHLC).

2. Atualidade e alinhamento

• O período coberto pelo conjunto de dados.
• Qualquer pré-processamento conhecido, como conversão de fuso horário ou tratamento de horário de verão.
• Evidência de que a detecção de rompimento e a classificação de falso usam o mesmo relógio e as mesmas definições de barra.

3. Verificações de qualidade de dados (o que procurar)

• Taxa de dados ausentes e como as lacunas são preenchidas ou excluídas.
• Consistência entre OHLC e dados intrabarra/tique (se ambos existirem).
• Regras de tratamento de outliers: por exemplo, se picos são removidos ou mantidos.
• Capacidade de reprodução: você deve ser capaz de executar novamente o mesmo cálculo na mesma entrada e obter a mesma classificação.

Evidência ou exemplo: transformando regras em classificações mensuráveis

Um avaliador precisa conectar os dados aos resultados de forma reproduzível.

Exemplo de estrutura (as premissas devem ser declaradas):

• Defina o nível de rompimento a partir do intervalo das N barras anteriores.
• Marque um rompimento quando o fechamento exceder esse nível.
• Marque-o como “falso” se o preço fechar novamente dentro do intervalo anterior dentro de M barras.

Com os dados necessários, você pode calcular contagens como:

• Total de rompimentos detectados sob a regra.
• Proporção classificada como falsa sob a condição de tempo/distância.
• Sensibilidade aos parâmetros (por exemplo, alterar N ou M).

Importante: isso mostra a mensurabilidade da definição do filtro, não uma melhoria garantida. A qualidade da classificação histórica pode mudar com regimes de volatilidade e microestrutura de mercado.

Limitações e riscos (modos de falha materiais)

Mesmo com dados corretos, a filtragem de falso rompimento pode falhar de maneiras identificáveis.

1. Incompatibilidade de definição Se a definição de “rompimento” usa preços de fechamento, mas “falso” usa extremos intrabarra (ou vice-versa), as classificações tornam-se inconsistentes e difíceis de comparar.

2. Efeitos de microestrutura Se você ignorar compra/venda ou tempo de execução, a classificação pode não refletir o que um trader poderia alcançar realisticamente. Essa limitação depende dos dados.

3. Sobreajuste de parâmetros Testar muitos valores de N e M no mesmo período pode criar uma aparência de eficácia que não se generaliza. Use períodos de tempo separados para avaliação.