Loading...
Loading...
Todas as avaliações, rankings, guias, estratégias e documentos de confiança.
Metodologia
Dos dados brutos de mercado até um sinal publicado com pontuação de confiança — o pipeline exato por trás de cada entrada, stop e alvo.
Última atualização: 20 de maio de 2026
Um ensemble LightGBM com gradient boosting por par (símbolo, timeframe) — modelos dedicados, não um único classificador genérico. A cobertura completa de 10 símbolos × 4 timeframes está sendo construída durante a Phase 1b.
Método Triple-Barrier (López de Prado) para rótulos — três condições de saída em vez de retornos com horizonte fixo. Muito menos label leakage do que abordagens ingênuas.
A pontuação de confiança 0-100% vem diretamente da probabilidade do modelo. Abaixo de 60% — nenhum sinal publicado.
Posicionamento de SL/TP escalonado por ATR(14). R-multiples calibrados por timeframe — tipicamente alvos de 1.5R a 3.0R. Sem stops fixos em pips.
O calendário econômico é exibido em cada página de sinal para que você aplique seu próprio filtro de eventos. O veto algorítmico automático de sinais perto de eventos de alto impacto está no roadmap de Phase 2.
Cada sinal publicado passa por esses estágios em ordem. Sem atalhos. Tempo total do fechamento da vela até a publicação do sinal: tipicamente 4-9 segundos.
Stream de ticks em tempo real da nossa conexão principal com corretora (Tier-1 ECN) mais um feed de backup para redundância. As velas são montadas nas bordas H1/M15/H4/D1 com alinhamento UTC estrito. Ticks atrasados são descartados — nunca repintamos.
~50 features engenheiradas por vela: RSI(14), MACD(12,26,9), Bollinger Bands(20,2), ATR(14), pilha EMA 5-21-50-200 + flags de cruzamento, sessão do dia e regime de volatilidade recente. O conjunto de features evolui conforme os estudos de ablação são executados — qualquer coisa que não mova o Sharpe out-of-sample é removida.
O modelo LightGBM por tupla emite uma probabilidade para cada classe de direção. Latência de inferência p99 ≈ 6ms. O pós-processamento de calibração de probabilidade (Platt scaling) está no roadmap de Phase 2 — as probabilidades atuais são a saída crua do classificador.
A probabilidade do modelo se torna diretamente a pontuação de confiança 0-100%. Um sinal só é publicado se a confiança ultrapassar o limiar por timeframe (60% intraday / 55% diário) E a relação risco-retorno for de pelo menos 1.5R. A pontuação composta com confluência técnica + taxa histórica de acertos está no roadmap de Phase 2.
O sinal é publicado com payload completo (entrada, SL escalonado por ATR, TP escalonado por ATR, confiança, versão do modelo). O calendário econômico para as moedas relevantes é exibido ao lado na página do sinal para que você possa adiar entradas perto de eventos de alto impacto. O veto automático de eventos está no roadmap de Phase 2.
Por que LightGBM, por que um por tupla e como ficaram as alternativas.
Cada par (símbolo, timeframe) recebe seu próprio ensemble dedicado de árvores de decisão com gradient boosting do LightGBM. EURUSD H1 e EURUSD H4 são modelos diferentes — mesmo que o símbolo subjacente seja idêntico, as dinâmicas das velas não são, e um modelo ótimo em velas horárias vai sobreajustar ou subajustar em velas de 4 horas.
Testamos redes neurais profundas (LSTM, Transformer) no início do desenvolvimento. Atingiram Sharpe out-of-sample similar mas com 10× o custo de treinamento, 100× a latência de inferência e muito menos interpretabilidade. Para dados financeiros tabulares com amostras limitadas (anos de velas, não milhões), árvores com gradient boosting permanecem como estado da arte segundo a literatura acadêmica (Grinsztajn 2022, NeurIPS).
Hiperparâmetros ajustados via Optuna com fronteiras walk-forward — nunca shuffling aleatório, que vazaria informação futura para o treinamento. Os modelos são retreinados periodicamente conforme novos dados de mercado se acumulam; a cobertura completa de 10 símbolos × 4 timeframes está sendo construída de forma incremental durante a Phase 1b.
Cobertura alvo
10 × 4
10 símbolos × 4 timeframes (M15/H1/H4/D1) — sendo construída durante a Phase 1b
Cadência de retreinamento
Periódica
Retreinado conforme novos dados se acumulam e os estudos de ablação revelam melhorias
Features por modelo
~50
Cobre ação do preço, indicadores técnicos, contexto de sessão, regime de volatilidade
Por que não usamos retornos com horizonte fixo — e o que López de Prado acertou.
O esquema de rotulagem mais comum em ML para trading de varejo é "retorno em horizonte fixo t+N" — mas isso é matematicamente inconsistente com a forma como os traders realmente operam. Um trade real fecha quando SL ou TP é acionado, não em um timestamp futuro arbitrário.
O Método Triple-Barrier (López de Prado, Advances in Financial Machine Learning, 2018) rotula cada vela com o desfecho que teria ocorrido a partir daquela entrada: barreira TP atingida (rótulo = +1), barreira SL atingida (rótulo = -1) ou TTL expirado sem nenhuma das duas (rótulo = 0). As barreiras são dimensionadas como múltiplos de ATR para risco consciente do símbolo.
Resultado: os rótulos refletem o trade que realmente teríamos tomado. Muito menos label leakage, menor correlação entre rótulos adjacentes, validação cruzada mais honesta. Sinais com pontuação de confiança refletem a probabilidade de um trade vencedor, não um abstrato "preço sobe em horizonte fixo".
Cada feature tem uma contribuição mensurável para o Sharpe out-of-sample. Tudo que não sobreviveu à ablação foi removido.
| Indicador | Parâmetros | Função |
|---|---|---|
| RSI | 14 períodos | Oscilador de momentum — leituras extremas indicam regimes de sobrecompra/sobrevenda |
| MACD | 12 / 26 / 9 | Divergências de tendência e momentum — cruzamentos de linha de sinal + aceleração do histograma |
| Bollinger Bands | 20 períodos, 2σ | Envelope de volatilidade — entradas de reversão à média no toque + filtro de breakout |
| ATR | 14 períodos | Escala de volatilidade — orienta o dimensionamento de SL/TP, sem stops fixos em pips |
| Pilha EMA | 5 / 21 / 50 / 200 | Detecção de regime de tendência — inclinação + flags de alinhamento multi-timeframe |
| Proximidade S/R | Pivôs de swing de 20 velas | Distância ao suporte/resistência mais próximo — usado como peso de confluência |
| Sessão do dia | Ásia / Londres / NY / Sobreposição | Regime de liquidez — estratégias variam por viés de sessão |
| Regime de volatilidade | Percentil de ATR, 90 velas anteriores | Baixo/normal/alto — regimes de alta vol têm limiares de confiança mais estritos |
Como o score que você vê em cada card de sinal é realmente calculado.
Pipeline atual (Phase 1b)
confidence = P_ml → publicar se confidence ≥ limiar E risk_reward ≥ 1.5RMatemática de risco escalonada por ATR, não alvos fixos em pips.
Cada sinal carrega um preço de entrada, um stop-loss e um take-profit — todos computados no momento da geração do sinal, não escolhidos por humanos. A matemática é determinística e idêntica para cada sinal do mesmo timeframe.
Stop-loss = entrada ± ATR(14) × stop_multiplier. Stop_multiplier varia por timeframe: M15 = 1.0× ATR, H1 = 1.5× ATR, H4 = 2.0× ATR, D1 = 2.5× ATR. Estreito o suficiente para que o ruído aleatório não nos tire da posição; amplo o suficiente para que pullbacks normais também não.
Take-profit = entrada ± ATR(14) × stop_multiplier × R_target. R_target é a relação risco-retorno: tipicamente 1.5-3.0 dependendo da confiança. Sinais de maior confiança carregam alvos R mais altos — porque temos evidência mais forte de que vão correr.
Resultado: relação risco-retorno 2.0R. Se vencemos 50% das vezes, somos líquidos lucrativos. Não precisamos estar certos — precisamos estar calibrados.
Expomos os dados; o veto algorítmico automático está no roadmap de Phase 2.
Os mercados Forex são dominados por decisões de bancos centrais, relatórios de emprego e divulgações de inflação. Uma configuração técnica perfeitamente válida é demolida se o NFP cair 30 minutos depois. Nós damos o calendário — aplicar o veto é hoje uma decisão do seu julgamento.
Cada página /signals/{symbol}/{tf} exibe os próximos eventos de alto/médio impacto para as moedas relevantes em um bloco dedicado. Os dados fluem do calendário econômico do MT5 através do nosso serviço de ingestão (ver o endpoint público /api/public/economic-calendar). Atualiza a cada minuto.
O que está planejado a seguir: veto automático de sinais novos quando eventos de alto/médio impacto cair dentro de uma event_window. Atualmente o motor de inferência tem uma flag `news_blackout_enabled` cabeada mas com padrão false — vamos ligá-la assim que a Phase 2 entrar em produção e tivermos feito backtest do efeito líquido do veto sobre o Sharpe.
Por que não confiamos em backtests in-sample — e como é uma avaliação honesta.
Divisões aleatórias train/test são a fonte nº 1 de afirmações de desempenho infladas em ML para trading de varejo. Uma divisão aleatória deixa informação do futuro vazar para o treinamento (o modelo aprende o que está por vir porque velas adjacentes são altamente correlacionadas). Avaliação honesta requer ordenação temporal.
Usamos validação walk-forward: treinar em uma janela passada, validar na próxima janela à frente, avançar ambas as janelas, repetir. Cada versão do modelo é avaliada no seu registro walk-forward completo antes da promoção para produção.
Limiares de aceitação atuais (devem atingir todos os quatro antes da promoção): índice Sharpe ≥ 1.0 (intraday) / taxa de vitória ≥ 0.50 / profit factor ≥ 1.3 / drawdown máximo ≤ 20%. Modelos que falham em qualquer limiar não são promovidos — a versão boa anterior permanece ao vivo. Os limiares vão se apertar à medida que mais dados históricos se acumulem e a linha de base se estabilize.
A detecção automática de degradação do modelo está no roadmap. Estado atual: supervisão humana + promoção manual do modelo.
Condições de trading ao vivo divergem de backtests históricos. Spreads se alargam, slippage aumenta, regime de mercado muda. Mesmo um modelo que passou na validação walk-forward pode decair em produção. Nossa defesa de longo prazo: monitoramento contínuo + rollback automático. Hoje a metade do monitoramento está no lugar; a metade do auto-revert está no roadmap de Phase 2.
O que já está em produção: o desfecho de cada sinal publicado (atingiu TP, atingiu SL, expirou) é registrado de forma imutável. O dashboard do histórico em /signals/track-record exibe Sharpe móvel + taxa de vitória + profit factor — de modo que a degradação SIM é visível. Apenas ainda não agimos sobre ela de forma automática.
O que está planejado para a Phase 2: um watchdog que compara a janela móvel de 30 sinais por (símbolo, timeframe) contra os pisos de aceitação (Sharpe < 0.8 / taxa de vitória < 0.45 / profit factor < 1.1). N descumprimentos consecutivos → auto-reverter para a versão boa anterior do modelo + acionar o engenheiro de plantão. Até isso entrar em produção, a promoção + o rollback do modelo são decisões humanas tomadas contra o histórico ao vivo.
Escopo honesto. Nossa metodologia é robusta dentro destes limites — fora deles, você está confiando na extrapolação do modelo.
Se prometemos mais do que podemos entregar, danificamos a confiança. Aqui está o que estes sinais não são.
O Sharpe walk-forward passado não prevê resultados futuros. Os mercados evoluem. Mesmo um sinal calibrado com 70% de confiança perde 30% das vezes.
Os sinais são saídas algorítmicas. O tamanho da sua conta, corretora, alavancagem, jurisdição e tolerância ao risco determinam se seguir qualquer sinal específico é apropriado para você.
A FxRobotEasy não custodia fundos. Sinais são informação — você é quem clica em comprar. Somos uma editora de software, não uma gestora de fundos.
Os sinais são válidos para as próximas 1-2 velas no timeframe relevante. Se você vir um sinal H1 90 minutos após a publicação, o preço de entrada pode estar longe do atual — pule-o.
Por definição, dados de treinamento contêm apenas regimes que já aconteceram. Brexit, COVID março 2020, desancoragem do CHF — nossos modelos reagiriam a eles mas não foram treinados com eles.
Perguntas comuns de acompanhamento sobre o pipeline de sinais de IA.
Para dados financeiros tabulares com amostras limitadas (anos de velas em vez de milhões), árvores com gradient boosting superam redes profundas em Sharpe e interpretabilidade com 10× menor custo de treinamento. Redes profundas são estado da arte para imagens, linguagem e RL de controle contínuo — não para previsão de velas forex.
Periodicamente — guiado pela acumulação de novos dados e pelos achados de ablação, não por um calendário fixo na Phase 1b. Cada retreinamento executa validação walk-forward completa contra uma janela de retenção posterior. A nova versão só é promovida se superar os limiares de aceitação E a versão anterior ao vivo. Uma cadência fixa de retreinamento (semanal é a linha de base planejada) está no roadmap de Phase 2 assim que o pipeline do registro de modelos entrar em produção.
Ordenação temporal estrita em todas as divisões — sem shuffles aleatórios. Features derivadas apenas de dados disponíveis no fechamento da vela (sem look-ahead). Rótulos triple-barrier resolvem para frente; não incluímos features computadas a partir da janela de resolução.
A metodologia está totalmente documentada (esta página). Os pesos treinados, dados de treinamento e hiperparâmetros não são open-source — são nossa vantagem competitiva. Publicamos todos os sinais + desfechos para que qualquer um possa verificar que o pipeline produz o que afirmamos.
Na validação assumimos spreads Tier-1 ECN (~0.1-0.3 pips em majors de EURUSD, 0.5-1.5 pips em minors, 2-4 pips em XAUUSD) mais um buffer de slippage. A contabilidade de desempenho ao vivo usa os preços reais de execução registrados pela nossa conexão com a corretora — de modo que o histórico publicado reflete execução real, não modelada. A diferença validação-vs-ao-vivo é algo que mostramos em /signals/track-record assim que sinais fechados suficientes se acumulam.
A metodologia é a mesma em cada sinal que você verá. Agora vá olhar para eles.