💰 quantitative finance

A Controlled Comparison of Deep Learning Architectures for Multi-Horizon Financial Forecasting: Evidence from 918 Experiments

Este estudo apresenta uma comparação rigorosa de nove arquiteturas de aprendizado profundo para previsão financeira multi-horizonte, baseada em 918 experimentos, revelando que o ModernTCN e o PatchTST superam consistentemente os demais modelos, enquanto a arquitetura demonstra ser o fator determinante para o desempenho, ao contrário da aleatoriedade das sementes, e evidenciando que os modelos treinados com MSE carecem de habilidade direcional significativa.

Autores originais: Nabeel Ahmad Saidd

Publicado 2026-03-19

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Nabeel Ahmad Saidd

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um capitão tentando navegar por um oceano de dinheiro (o mercado financeiro). O seu objetivo é prever para onde as ondas (os preços das ações, moedas e criptomoedas) vão se mover nas próximas horas. Para isso, você tem à sua disposição nove tipos diferentes de "bússolas" tecnológicas, todas baseadas em Inteligência Artificial (Deep Learning).

Este artigo é como um grande teste de corrida onde o autor, Nabeel Ahmad Saidd, colocou essas nove bússolas para competir em condições justas, para ver qual realmente funciona melhor.

Aqui está o resumo da história, explicado de forma simples:

1. O Problema: O Caos das Bússolas

Antes deste estudo, havia muita confusão. Alguns pesquisadores diziam que a Bússola A era a melhor, outros diziam que a Bússola B ganhava. O problema é que eles não estavam correndo a mesma corrida:

Alguns usavam "combustível" (configurações) diferente para cada bússola.
Alguns testavam apenas uma vez (e talvez tivessem sorte).
Alguns só testavam em um tipo de barco (apenas criptomoedas, por exemplo).

Era como comparar carros de Fórmula 1 em uma pista de terra, em uma pista de gelo e em uma estrada de terra, sem medir o tempo de forma justa.

2. A Grande Corrida (O Experimento)

O autor organizou uma competição extremamente rigorosa, com 918 corridas no total.

Os Competidores: 9 modelos de IA (incluindo os famosos Transformers, redes neurais clássicas e convoluções).
A Pista: 12 ativos financeiros diferentes (Bitcoin, Ethereum, Dólar, Euro, Ações da Apple, etc.).
O Tempo: Previsões para 4 horas à frente e 24 horas à frente.
A Regra de Ouro: Tudo foi feito de forma idêntica. As mesmas configurações, o mesmo "combustível" e, o mais importante, cada corrida foi feita 3 vezes com sementes aleatórias diferentes para garantir que não foi apenas sorte.

3. Os Resultados: Quem Ganhou?

Aqui estão as descobertas principais, usando analogias:

🏆 O Vencedor: ModernTCN

A bússola chamada ModernTCN venceu a maioria das corridas (75% das vezes).

A Analogia: Imagine que o mercado é um rio com muitas curvas e ondas. A ModernTCN é como um barco com um motor de convolução de grande alcance. Ela consegue "sentir" o padrão das ondas grandes e pequenas ao mesmo tempo, sem se perder nos detalhes. Ela é robusta, funciona bem em criptomoedas (ondas violentas), em moedas (ondas calmas) e em ações.

🥈 O Vice-Campeão: PatchTST

A PatchTST ficou em segundo lugar, muito perto do vencedor.

A Analogia: Ela é como um especialista em quebra-cabeças. Ela pega o gráfico de preços, corta em "pedaços" (patches) e analisa cada pedaço como se fosse uma peça única, depois junta tudo para ver a imagem completa. Funciona muito bem, mas perde um pouco para a ModernTCN em previsões de longo prazo.

🥉 O "Especialista em Cripto": N-HiTS

Este modelo ficou no meio da tabela, mas tem um truque especial.

A Analogia: Ele é como um caçador de moedas. Quando o mercado é muito volátil e caótico (como criptomoedas menores), ele consegue se sair melhor que os gigantes. Mas em mercados mais calmos (como moedas tradicionais), ele não é o melhor.

❌ Os Perdedores: LSTM e Outros

LSTM: Era a "bússola antiga" (usada há anos). Neste teste, ela foi a última de todos, com erros 7 a 33 vezes maiores que a vencedora. É como tentar navegar no século XXI usando um mapa de papel de 1920.
Outros: Modelos que tentavam prever padrões de "estações do ano" (como Autoformer e TimesNet) falharam porque o mercado financeiro não tem estações fixas como o clima; ele é muito mais caótico.

4. As Lições Surpreendentes

O estudo revelou algumas verdades que vão contra o senso comum:

Tamanho não é documento: O modelo vencedor não é o maior nem o mais complexo. Às vezes, modelos mais simples e inteligentes (com "vieses indutivos" melhores) ganham de monstros complexos. É como um carro de corrida leve e aerodinâmico vencendo um caminhão pesado cheio de tecnologia desnecessária.
A Sorte não importa: O autor provou que a "semente aleatória" (o ponto de partida do computador) quase não faz diferença. A escolha do modelo (a arquitetura) explica 99,9% do sucesso. Se você escolher o modelo errado, não adianta tentar rodar o teste 100 vezes esperando que a sorte mude o resultado.
O Grande Segredo (Previsão de Direção): Aqui está a parte mais importante para quem quer ganhar dinheiro: Nenhum desses modelos consegue prever se o preço vai subir ou descer com mais de 50% de certeza.
- A Analogia: Todos os modelos são ótimos em dizer quão alto será a onda (o valor exato), mas são péssimos em dizer para onde a onda vai (subir ou descer). É como um meteorologista que diz "vai chover 10mm" com precisão, mas não sabe se vai chover amanhã ou depois de amanhã. Para prever a direção, a IA precisa ser treinada de forma diferente.

5. Conclusão Prática

Se você fosse um gestor de fundos ou um trader hoje:

Use a ModernTCN como sua ferramenta padrão. Ela é a mais confiável e consistente.
Não se preocupe com a "sorte" do computador. Foque em escolher a arquitetura certa.
Cuidado: Se você usa esses modelos para tentar prever se deve comprar ou vender (direção), você está basicamente jogando cara ou coroa. A precisão matemática não se traduz em habilidade de direção no mercado financeiro de curto prazo.

Em resumo, o estudo limpou a poeira da pesquisa, mostrou qual tecnologia é a melhor para prever valores numéricos e nos alertou que, mesmo com IA avançada, prever o futuro do dinheiro ainda é incrivelmente difícil.

Resumo Técnico: Comparação Controlada de Arquiteturas de Deep Learning para Previsão Financeira Multi-Horizonte

1. O Problema e o Contexto

A previsão de preços financeiros em múltiplos horizontes temporais é fundamental para alocação de carteiras, gestão de risco e trading algorítmico. No entanto, a literatura recente sobre Deep Learning (DL) para séries temporais proliferou rapidamente, gerando uma diversidade de arquiteturas (Transformers, CNNs, MLPs, RNNs) sem comparações rigorosas e controladas.

O estudo identifica cinco lacunas metodológicas críticas em benchmarks existentes que impedem conclusões confiáveis:

Orçamentos de hiperparâmetros descontrolados: Modelos são frequentemente avaliados com configurações padrão enquanto concorrentes são otimizados.
Avaliação de semente única: Resultados baseados em uma única inicialização aleatória confundem vantagem arquitetural com variância estocástica.
Análise de horizonte único: Falta de investigação sobre como as arquiteturas degradam à medida que o horizonte de previsão aumenta.
Ausência de correção estatística pareada: Testes de significância muitas vezes ignoram correções para erros familiares (family-wise error).
Cobertura estreita de classes de ativos: Benchmarks focados em um único tipo de ativo não capturam a generalização entre mercados distintos (criptomoedas, forex, ações).

2. Metodologia Experimental

O estudo estabelece um protocolo experimental rigoroso e reprodutível, executando 918 experimentos (270 para otimização de hiperparâmetros + 648 treinamentos finais).

Arquiteturas Avaliadas (9 modelos):
- Transformers: Autoformer, iTransformer, PatchTST, TimeXer.
- MLP/Lineares: DLinear, N-HiTS.
- Convolucionais (CNN): ModernTCN, TimesNet.
- Recorrentes (RNN): LSTM (como baseline clássico).
Dados e Ativos:
- 12 instrumentos financeiros divididos em 3 classes: Criptomoedas (BTC, ETH, BNB, ADA), Forex (EUR/USD, USD/JPY, etc.) e Índices de Ações (Dow Jones, S&P 500, etc.).
- Frequência: Horária (H1).
- Features: OHLCV (Abertura, Máxima, Mínima, Fechamento, Volume) sem indicadores técnicos externos.
Horizontes de Previsão:
- Curto prazo: $h=4$ horas (janela de entrada $w=24$ ).
- Longo prazo: $h=24$ horas (janela de entrada $w=96$ ).
Protocolo de 5 Estágios:
1. Otimização de Hiperparâmetros (HPO): Uso do Optuna (TPE) com semente fixa (42) e orçamento limitado (5 tentativas) em um ativo representativo por classe.
2. Congelamento de Configuração: As melhores configurações encontradas são congeladas e aplicadas a todos os ativos daquela classe, eliminando overfitting por ativo.
3. Treinamento Multi-Semente: Cada configuração é treinada 3 vezes com sementes independentes (123, 456, 789) para quantificar a variância de inicialização.
4. Agregação de Métricas: Cálculo de RMSE, MAE e Directional Accuracy (DA) no conjunto de teste, com inversão de escala para valores monetários reais.
5. Validação Estatística: Uso de testes de Friedman-Iman-Davenport, Wilcoxon corrigido por Holm, correlação de Spearman e decomposição de variância.

3. Principais Contribuições

Protocolo Controlado: Primeira comparação justa que isola o mérito arquitetural de fatores de confusão como tuning de hiperparâmetros e inicialização aleatória.
Quantificação de Robustez: Demonstração de que a escolha da arquitetura explica >99% da variância dos resultados, enquanto a semente aleatória é negligenciável (<0,04%).
Análise Multi-Horizonte: Caracterização detalhada de como o erro e o ranking dos modelos degradam ao aumentar o horizonte de previsão.
Guia de Implantação por Ativo: Identificação de quais arquiteturas funcionam melhor para classes específicas (ex: N-HiTS para criptomoedas de baixa capitalização).
Framework Aberto: Liberação completa de código, dados, modelos treinados e resultados para reprodução independente.

4. Resultados Chave

A. Rankings Globais e Hierarquia de Desempenho
Os modelos formam três tiers distintos:

Tier Superior (Vencedores):
- ModernTCN: O melhor modelo geral (Rank médio 1,33; 75% de vitórias). Utiliza convoluções profundas de grande kernel e downsampling multi-estágio.
- PatchTST: Segundo lugar (Rank médio 2,00). Utiliza tokenização por patches com atenção independente por canal.
Tier Médio: iTransformer, TimeXer, DLinear, N-HiTS.
Tier Inferior: TimesNet, Autoformer, LSTM.
- Nota: O LSTM apresentou erros 7 a 33 vezes maiores que os melhores modelos, confirmando sua obsolescência para previsão direta multi-passos em finanças.

B. Estabilidade Cross-Horizonte

Apesar do aumento absoluto do erro (2x a 2,5x) ao passar de $h=4$ para $h=24$ , a ordem relativa dos modelos permanece estável.
ModernTCN e PatchTST mantêm a liderança em todos os ativos e horizontes.
N-HiTS mostra uma degradação menor em certos ativos de criptomoedas, sugerindo que seu pooling multi-taxa captura bem a volatilidade de múltiplas escalas.

C. Decomposição de Variância e Sementes

Arquitetura vs. Semente: A escolha da arquitetura explica 99,90% da variância total do erro (em escala bruta) e 68,33% (em escala normalizada, excluindo o outlier LSTM). A variância de semente é de apenas 0,01%.
Conclusão: Três sementes são suficientes para avaliação robusta; o esforço deve ser focado na seleção da arquitetura, não em ensembles de sementes.

D. Precisão Direcional (Directional Accuracy)

Todos os modelos treinados com perda Mean Squared Error (MSE) apresentaram precisão direcional de aproximadamente 50% (equivalente a um lançamento de moeda).
Isso indica que, embora os modelos prevejam bem a magnitude (RMSE), eles não possuem habilidade direcional em resolução horária. Para trading, seria necessário redesenhar a função de perda.

E. Relação Complexidade-Desempenho

A relação não é monotônica. Modelos simples como DLinear (~~1.000 parâmetros) superam modelos complexos como Autoformer (~~438.000 parâmetros) e LSTM.
O que importa é o viés indutivo arquitetural (ex: convoluções de grande kernel, decomposição de tendência/sazonalidade), não a quantidade bruta de parâmetros.

5. Significado e Implicações Práticas

Recomendação Padrão: ModernTCN é a escolha recomendada por padrão devido ao seu desempenho superior consistente em todas as classes de ativos e horizontes, com custo computacional moderado.
Alternativa Transformer: PatchTST é uma alternativa sólida, especialmente em cenários onde a família Transformer é preferida.
Especialista em Altcoins: N-HiTS demonstra vantagem nichada em criptomoedas de menor capitalização (ETH, ADA), provavelmente devido à sua capacidade de lidar com oscilações multi-escala.
Ambientes Restritos: DLinear oferece um desempenho competitivo com custo de inferência extremamente baixo.
Aviso sobre Trading: A alta precisão estatística (RMSE) não se traduz automaticamente em lucro direcional. A falta de habilidade direcional sugere que modelos puramente baseados em MSE não são suficientes para sinais de trading sem modificações na função de objetivo.

Conclusão

Este estudo fornece a evidência mais controlada até a data de que, para previsão financeira multi-horizonte, arquiteturas convolucionais modernas (ModernTCN) e Transformers baseados em patches (PatchTST) superam consistentemente abordagens recorrentes (LSTM) e modelos de atenção tradicionais. A escolha da arquitetura é o fator dominante para o sucesso, superando em muito a variância de inicialização, e a complexidade do modelo não garante melhor desempenho. O trabalho estabelece um novo padrão de ouro para benchmarking em finanças, enfatizando a reprodutibilidade, a correção estatística e a generalização entre classes de ativos.