Semana passada, compartilhei aqui a experiência de criar meu primeiro robô de trading com IA, um sistema autônomo que opera no Mini Índice Bovespa usando redes LSTM e uma série de indicadores técnicos. Foi um processo mais longo e detalhado, demandou meses de desenvolvimento – E ainda está sendo aperfeiçoado e testado — Agora em um nova fase, percebi que poderia utilizar as operações executadas pelo modelo principal, que são todas registradas e guardadas para análises de desempenho e correções, para aperfeiçoar suas decisões e assim, surgiu a ideia de criar um robô auxiliar para as decisões.
Mesmo com resultados sólidos, ainda havia espaço para melhorar. Uma pequena parcela das operações resultava em loss, e muitas delas seguiam padrões que poderiam ser identificados antes da execução.
A pergunta que me fiz foi:
“E se eu pudesse usar o histórico de operações já realizadas — tanto os ganhos quanto as perdas — para criar um filtro adicional, sem precisar retreinar todo o modelo principal?” A decisão de não escolher o retreino foi procurar um solução mais rápida, que demandasse menos recursos de hardware e pudesse ser automatizado e assim dar autonomia aos dois modelos para trabalhar de acordo com suas decisões, sem intervenção.
Foi aí que surgiu a ideia do robô auxiliar. Após algumas pesquisas rápidas, confesso não muito aprofundadas, decidi utilizar um algoritmo de Random Forest, amplamente conhecido por sua eficiência em problemas de classificação, basicamente – simplificando muito – é uma sequência de IF/THEN/ELSE que o modelo usa para criar um sinal de saída que ele vai utilizar para classificar a operação. O treinamento foi feito com todas as operações realizadas pelo robô principal no último mês — tanto as lucrativas (GAIN) quanto as perdedoras (LOSS). Utilizando os parâmetros de proba (explicado na publicação do modelo principal), RSI, ATR, preço de entrada, alvo e stop, o modelo aprendeu utilizando uma “Floresta randômica” de decisões e análises para aprender a distinguir entre operações que tendem a ser ganhadoras ou perdedoras. E com essas percepções de resultados, o modelo definiu um Threshold ideal, que funciona como um ponto de corte que maximiza o equilíbrio entre precisão e recall – para decidir se permite ou não que uma operação sinalizada pelo modelo principal, seja executada.
Agora, quando o robô principal identifica uma oportunidade de entrada e está prestes a operar, ele consulta o robô auxiliar. O auxiliar analisa a operação proposta e calcula a probabilidade de ser um GAIN. Se essa probabilidade for maior que o threshold, a operação é liberada. Caso contrário, é negada. É como ter um controlador de voo que só dá o sinal verde quando todos os sistemas indicam que a decolagem é segura.
Ainda é cedo para números robustos — afinal, o robô auxiliar acabou de entrar em cena. Mas os primeiros sinais são promissores:
- Nenhuma operação barrada pelo auxiliar resultou em oportunidade perdida (até agora).
- Redução no número de operações com loss — sem alterar a estratégia original.
- Confiança extra na execução automatizada.
Ou seja: o robô principal continua tomando as decisões, mas agora com um filtro inteligente que aprendeu com o próprio histórico de acertos e erros. E ainda com o benefício de poder ter seus parâmetros de entrada menos rígidos já que se tomar uma decisão equivocada, o auxiliar vai analisar antes de liberar a operação.
Esse sistema auxiliar não substitui o robô principal. Ele o complementa. E o faz de forma leve, eficiente e sem a necessidade de retreinamentos massivos ou novos datasets. Como esse tipo de treinamento “Random Forest” é extremamente leve e rápido, a cada 15 dias o auxiliar será retreinado (Provavelmente de forma autônoma) para manter seus dados e decisões atualizados. É um exemplo prático de como aprender com os próprios erros.
O próximo passo – Que já está em estudo de viabilidade – é ter um terceiro robô especializado em notícias de mercado financeiro brasileiro para analisar o sentimento do mercado antes dos robôs traders iniciarem as operações. Isso garantira ajustes de segurança nos parâmetros de negociação como flexibilização de entrada, alvos e stops maiores ou menores, etc.
Não existe robô milagroso. Mas existe evolução contínua — e ela começa quando a máquina aprende a olhar para trás para tomar decisões melhores lá na frente.