💻 computer science

Macroeconomic Message Passing for Anticipating Foreign Exchange Regime Changes: A Deep Logical Learning Approach using Graph Tsetlin Machines

Este artigo propõe uma estrutura de Máquina de Tsetlin em Grafo que utiliza passagem de mensagens em hipervetorizados multigrafos direcionados de indicadores macroeconômicos e técnicos para prever mudanças de regime de câmbio, demonstrando especificamente sua eficácia e interpretabilidade na antecipação de mudanças de mercado no USD/JPY.

Autores originais: Christian Blakely, Melanie Gilmore

Publicado 2026-07-09

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Christian Blakely, Melanie Gilmore

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 está tentando prever o tempo em uma cidade estrangeira, mas, em vez de olhar para um único termômetro, você está tentando entender toda a atmosfera observando como o vento, as correntes oceânicas e a temperatura em cidades vizinhas conversam entre si.

Isso é essencialmente o que este artigo faz, mas em vez de clima, ele prevê o "humor" do mercado de câmbio Dólar Americano vs. Iene Japonês.

Aqui está uma divisão simples da abordagem deles, usando analogias do cotidiano:

1. O Problema: O Mercado Tem "Humores"

Os autores argumentam que o mercado de câmbio não é apenas um passeio aleatório; ele possui "regimes" ou humores distintos. Eles identificam quatro humores principais:

Estagnado (A Calmaria): Os preços mal se movem, como um lago sem vento. É entediante e difícil de prever porque não há uma direção clara.
Tendência Constante (O Cruzeiro): Os preços estão se movendo lenta mas firmemente em uma direção, como um trem em um trilho.
Instável (A Montanha-Russa): Os preços saltam para cima e para baixo loucamente, mas não vão a lugar nenhum no final. Isso é perigoso para investidores que tentam seguir a tendência.
Tendência Volátil (O Foguete): Os preços estão se movendo rápida e longe em uma direção, geralmente devido a um grande evento econômico.

O Desafio: Computadores tradicionais são ruins em detectar o humor "Estagnado". Eles se confundem com o ruído. Além disso, eles frequentemente olham para os dados isoladamente, como verificar a temperatura em um quarto sem saber o que está acontecendo na cozinha ou na sala de estar.

2. A Solução: Uma "Vigilância de Vizinhança" para Dados

Os autores construíram um novo tipo de IA chamado Graph Tsetlin Machine (GraphTM).

O Grafo (O Mapa): Imagine um mapa onde cada ponto é uma peça de informação. Um ponto é o preço do Iene, outro é a taxa de juros dos EUA, outro é o preço do Petróleo e outro é o preço do Euro.
As Arestas (As Conversas): Linhas conectam esses pontos. Essas linhas representam como eles influenciam uns aos outros. Por exemplo, se as taxas de juros dos EUA mudam, uma mensagem viaja ao longo da linha até o ponto do preço do Iene.
A "Passagem de Mensagem": Esta é a parte mágica. Em vez de apenas olhar para o preço do Iene, a IA pergunta aos seus vizinhos: "Ei, vocês estão vendo alguma mudança nas taxas de juros? O Petróleo está se movendo?" Ela reúne essas mensagens para formar um quadro completo.

3. O Cérebro: Lógica, Não Matemática

A maioria das IAs modernas (como o Deep Learning) funciona como uma caixa preta que faz cálculos complexos para adivinhar a resposta. É poderosa, mas você não consegue perguntar facilmente por que ela fez um palpite.

Este artigo utiliza Máquinas Tsetlin, que funcionam mais como uma equipe de detetives usando regras de lógica.

Raciocínio por Eliminação: Em vez de tentar encontrar um padrão complexo para dizer "É uma tendência", a IA é muito boa em dizer: "Não é uma tendência porque não há volatilidade, não há mudança na taxa de juros e não há movimento no petróleo."
A Analogia: Imagine tentar identificar uma biblioteca silenciosa. Você não precisa ouvir um livro específico sendo lido; você só precisa confirmar que ninguém está gritando, ninguém está correndo e ninguém está derrubando coisas. Se todos esses eventos estiverem ausentes, você sabe que é uma biblioteca silenciosa. A IA faz isso com dados de mercado.

4. Como Eles Treinaram

Eles alimentaram a IA com 72 horas (3 dias) de dados por vez.

Eles não olharam apenas para o que aconteceu agora. Eles olharam para o que aconteceu nos 3 dias seguintes para ver em qual "humor" o mercado realmente se estabilizou.
Eles usaram um sistema de "votação majoritária". Se o mercado foi instável por 2 dias e depois apresentou uma tendência por 1 dia, eles rotularam todo o período com base no humor dominante. Isso ajudou a IA a ignorar pequenos e confusos desvios e focar na história real.

5. Os Resultados: Por Que Isso Importa

Quando testaram isso contra outros modelos de IA famosos (como os usados por grandes bancos ou ferramentas padrão de aprendizado de máquina):

Melhor nas Coisas Entediantes: Foi muito melhor em detectar os períodos "Estagnados" (entediantes) do que outros modelos. Isso é crucial porque é quando a maioria dos outros modelos se confunde e perde dinheiro.
O Poder dos Vizinhos: Quando removeram os dados dos "vizinhos" (como preços de Petróleo e outras moedas) e olharam apenas para o próprio Iene, a IA tornou-se muito pior. Isso prova que, para entender o Iene, você deve ouvir o que o resto da economia global está dizendo.
Gestão de Risco: Eles criaram um "Score de Risco". Imagine um painel de controle em um carro. Se a estrada está escorregadia (mercado instável), o painel acende uma luz vermelha, dizendo ao motorista (o trader) para diminuir a velocidade ou parar. Se a estrada está limpa (tendência constante), a luz fica verde. Este sistema alertou com sucesso quando o mercado estava prestes a ficar caótico durante a pandemia de 2020.

Resumo

O artigo afirma que, ao construir um sistema de "vigilância de vizinhança" onde diferentes fatores econômicos conversam entre si, e ao usar um cérebro baseado em lógica que é excelente em detectar o que está ausente (como o silêncio em uma biblioteca), eles conseguem prever os humores do mercado de câmbio melhor do que os métodos tradicionais. Isso ajuda os traders a saberem quando serem agressivos, quando serem cautelosos e quando devem ficar fora do mercado completamente.

Resumo Técnico: Passagem de Mensagens Macroeconômicas para Antecipação de Mudanças de Regime de Câmbio (FX)

Definição do Problema
A identificação de regimes de mercado de câmbio (FX) — estados distintos de ação de preço governados por condições macroeconômicas específicas — permanece um desafio significativo na finança quantitativa. Modelos paramétricos tradicionais (ex: Hamilton 1989; Krolzig 1997) dependem de pressupostos de linearidade estrita e enfrentam dificuldades em espaços de características de alta dimensionalidade. Embora abordagens modernas de aprendizado de máquina que utilizam aprendizado não supervisionado ou estruturas de mudança de regime tenham melhorado a adaptabilidade, elas frequentemente operam sobre horizontes temporais longos, limitando sua capacidade de se ajustar rapidamente a choques de regime súbitos. Além disso, as Tsetlin Machines (TM) padrão, embora ofereçam reconhecimento de padrões baseado em lógica interpretável, são limitadas por representações de entrada booleanas e arquiteturas de comprimento fixo que carecem de memória inerente de estados passados, a menos que sejam explicitamente projetadas. O desafio específico abordado neste artigo é a antecipação de quatro regimes distintos de FX operando em dados horários, particularmente durante períodos de "secas de volatilidade" (baixa variância impulsionada por políticas de taxas de juros estáticas), onde as relações sinal-ruído estão comprimidas.

Metodologia
Os autores propõem uma estrutura de Graph Tsetlin Machine (GraphTM) que integra variáveis macroeconômicas exógenas em um sistema de aprendizado estruturado e baseado em lógica.

Representação em Grafo: O mercado é modelado como um multigrafo direcionado hipervetorizado $G = (V, E, P, T)$ $G = (V, E, P, T)$ .
- Nós ( $V$ ): Representam variáveis de mercado, incluindo um nó de preço alvo ( $v_{UJ}$ para USD/JPY), nós de trajetória de volatilidade ( $v_{ra}$ ), nós de trajetória de eficiência ( $v_{le}$ ) e nós de drivers macroeconômicos ( $v_{ry}$ representando os rendimentos dos títulos dos EUA/Japão e preços do petróleo).
- Arestas ( $E$ ): Definem relações causais e correlativas (ex: dependência fundamental de rendimentos de títulos para preços de FX, ligações de volatilidade entre mercados).
- Propriedades ( $P$ ): Codificadas como hipervetores binários esparsos, capturando tanto estados atuais quanto históricos (ex: ATR normalizado e Razão de Eficiência).
Cláusulas Lógicas Profundas: Diferente das TMs padrão que processam vetores de características globais, a GraphTM constrói cláusulas conjuntivas profundas ( $C_j = C^0_j \land C^1_j \land \dots \land C^{D-1}_j$ $C_{j} = C_{j}^{0} \land C_{j}^{1} \land \dots \land C_{j}^{D - 1}$ ).
- Camada 0 ( $C^0$ ): Opera sobre propriedades locais de nós (ex: detectando a ausência de expansão de volatilidade).
- Passagem de Mensagens: Camadas superiores utilizam símbolos de mensagem ( $M$ ) passados entre nós via arestas. Se um componente de camada inferior for avaliado como verdadeiro, ele sinaliza os vizinhos. As camadas subsequentes inspecionam essas "caixas de entrada" para validar estados locais contra o contexto de nós vizinhos (ex: verificando um nó de preço estagnado contra um nó de rendimento de título estável).
Mecanismo de Aprendizado: O sistema emprega Tsetlin Automata (TA) descentralizados distribuídos entre nós e camadas. O aprendizado ocorre através de duas formas de feedback de transição de estado discretas:
- Tipo I (Generalização): Reforça literais que contribuem para classificações corretas, promovendo a inclusão de propriedades estruturais estáveis.
- Tipo II (Discriminação): Penaliza falsos positivos ao forçar a inclusão de literais que contradizem o estado atual do mercado, efetivamente suprimindo cláusulas que classificam incorretamente os regimes (ex: impedindo que uma cláusula de "estagnação" seja ativada durante uma "tendência").
Definição de Regime: O modelo visa quatro regimes definidos pela interseção de volatilidade normalizada (ATR) e eficiência direcional (Razão de Eficiência):
1. Estagnante: Baixa volatilidade / Baixa eficiência.
2. Tendência Estável (Steady Trend): Baixa volatilidade / Alta eficiência.
3. Errático/Reversão à Média (Choppy): Alta volatilidade / Baixa eficiência.
4. Tendência Volátil: Alta volatilidade / Alta eficiência.
Estratégia de Rotulagem: Para garantir estabilidade temporal, os rótulos são gerados usando uma abordagem de votação majoritária de 72 horas sobre a janela de projeção futura, filtrando ruídos horários transitórios.

Principais Contribuições

Detecção de Regime Baseada em Teoria de Grafos: O artigo introduz a aplicação da GraphTM aos mercados de FX, mapeando drivers macroeconômicos e indicadores técnicos para uma estrutura de grafo para capturar dependências entre ativos e relações causais explicitamente.
Raciocínio por Eliminação: A arquitetura aproveita a capacidade de especificar a ausência de propriedades (ex: falta de expansão de volatilidade) para classificar precisamente estados estagnados, uma capacidade destacada como particularmente eficaz durante períodos de baixa variância.
Robustez ao Ruído via Hipervetores: Ao codificar propriedades de nós e mensagens em um espaço de hipervetores de alta dimensão, o modelo mantém robustez preditiva em ambientes de baixa clareza de sinal.
Métrica de Risco Assimétrica: Os autores propõem um "Score de Risco de Negociação" customizado baseado em uma matriz de custo assimétrica. Esta métrica prioriza a minimização da erosão de capital causada por previsões de tendência falsas em mercados erráticos sobre a precisão estatística bruta, alinhando a otimização do modelo com restrições práticas de trading algorítmico.

Resultos
A avaliação empírica foi conduzida em dados horários de USD/JPY, particionados em conjuntos de treinamento (60%) e teste fora da amostra (OOS) (40%) com ordenação cronológica estrita e uma purga de dados de 72 horas para evitar vazamento de dados (leakage).

Desempenho: A Full GraphTM alcançou uma acurácia OOS geral de 70,69%.
- Classe 0 (Estagnante): 80,51% de acurácia.
- Classe 2 (Errático/Choppy): 71,91% de acurácia.
- Classe 1 (Tendência Estável): 48,16% de acurácia.
- Classe 3 (Tendência Volátil): 11,24% de acurácia (limitada pelo tamanho da amostra e início abrupto).
Análise Comparativa: A GraphTM superou benchmarks incluindo Gradient Boosted Machines (62,54%), Graph Neural Networks (56,13%) e Tsetlin Machines Convolucionais (CoTM) padrão com dois lags (58,76%).
Estudo de Ablação: A remoção de nós macroeconômicos exógenos (rendimentos de títulos, petróleo, volatilidade de pares cruzados) resultou em uma queda significativa de desempenho (a acurácia geral caiu para 48,01%), particularmente para a Classe 1 (Tendência Estável, caindo para 9,93%). Isso confirma que indicadores de momentum internos sozinhos são insuficientes para distinguir tendências estáveis de consolidação lateral.
Métricas de Risco: Durante o período de alta volatilidade da COVID-19 (2020), a métrica de risco móvel identificou corretamente a alta incerteza estrutural. Por outro lado, durante o período de tendência estável de 2021–2022, a métrica de risco decaiu para próximo de zero, demonstrando a capacidade do modelo de detectar períodos de baixo risco operacional.

Significância e Alegações
O artigo afirma que a GraphTM oferece um paradigma robusto, transparente e computacionalmente eficiente para navegar em regimes de mercado multimodais. Sua principal significância reside em preencher a lacuna entre o aprendizado geomético estrutural e a explicabilidade simbólica. Ao utilizar a passagem de mensagens sobre um grafo de relações macroeconômicas, o modelo pode antecipar mudanças de regime mais rapidamente do que modelos tradicionais de longo horizonte, mantendo a interpretabilidade através de cláusulas lógicas. Os autores postulam que esta abordagem é particularmente valiosa para o "raciocínio por eliminação" em mercados estagnados e para integrar correlações entre ativos sem a natureza de "caixa-preta" das redes neurais profundas. O estudo conclui que o aprendizado lógico baseado em grafos fornece uma alternativa viável ao aprendizado de máquina convencional para previsão financeira, especificamente ao modelar explicitamente as relações macroeconômicas como estruturas de grafos.