Historical Coefficient Fields: A Controlled Evaluation of Geometric Market-Memory Representations for Financial Forecasting

Resumo Técnico: Campos de Coeficientes Históricos e Memória Geométrica de Mercado

Definição do Problema
A previsão financeira baseia-se tipicamente em representações cronológicas da história, tais como preços defasados (lagged prices), estatísticas móveis ou sequências latentes aprendidas por modelos de aprendizagem profunda. No entanto, estados de mercado que estão distantes no tempo podem ser estruturalmente semelhantes, enquanto sessões consecutivas podem diferir significemente. Esta observação motiva a hipótese de que organizar dados históricos por similaridade estrutural em um espaço de características, em vez de por tempo de calendário, pode melhorar a previsão direcional. O artigo investiga se representar o histórico recente de um instrumento financeiro como um campo geométrico de vetores de coeficientes normalizados produz vantagens preditivas sobre as bases cronológicas padrão.

Metodologia
Os autores propõem o Campo de Coeficientes Históricos (HCF - Historical Coefficient Field), uma representação geométrica da memória de mercado. A metodologia é definida como segue:

1. Representação de Entrada: Cada sessão de negociação é codificada como um vetor de coeficiente relativo à abertura ($C_t$), consistindo em razões geométricas normalizadas (excursões superiores, inferiores e verticais em relação ao preço de abertura). Isso garante invariância de escala.
2. Construção do Campo: O HCF é definido como uma nuvem de pontos $F_t^{(N)} = (H_t^{(N)}, d)$, onde $H_t^{(N)}$ é o conjunto dos $N$ vetores de coeficientes mais recentes e $d$ é uma métrica euclidiana. A organização desta nuvem, em vez de seu índice cronológico, é o objeto de estudo.
3. Descritores Geométricos: Para resumir a estrutura da nuvem, um conjunto de sete descritores causais é computado sobre uma janela móvel estritamente passada:
   • Densidade local ($\rho$)
   • Persistência ($P$)
   • Dispersão ($D$)
   • Estabilidade de trajetória ($S$)
   • Distância do análogo mais próximo ($\eta$)
   • Entropia de partição ($H$)
   • Energia geométrica ($E$)
   • Nota: Os autores observam explicitamente que a energia geométrica é algebricamente redundante ($E = D^2$) e que a dispersão, estabilidade e energia formam um grupo altamente correlacionado.
4. Protocolo de Avaliação: Um protocolo de apenas representação estritamente controlado é empregado para isolar o efeito da representação de entrada.
   • Variáveis Fixas: Os algoritmos de aprendizagem (Regressão Logística, Floresta Aleatória, Gradient Boosting), as divisões de dados walk-forward (janela expansiva, mínimo de 750 sessões, reajuste a cada 252), e as variáveis alvo são mantidos constantes.
   • Variável: Apenas a representação de entrada muda. Quatro representações são testadas:
     • R1: Retornos defasados (10 defasagens).
     • R2: Estatísticas móveis (retorno de múltiplos horizontes, volatilidade, momentum).
     • R3: Vetor de coeficiente relativo à abertura bruto ($C_t$).
     • R4: HCF ($C_t$ + descritores geométricos).
   • Ativos: Quatro instrumentos públicos com diferentes escalas de preço: Ouro (GC=F), S&P 500 (^GSPC), EUR/USD (6E=F) e Bitcoin (BTC-USD).
   • Alvos: (1) O sinal do retorno da próxima sessão (previsão direcional); (2) Expansão de volatilidade (se o intervalo normalizado da próxima sessão excede sua mediana de 21 sessões).
   • Linha de Base (Baseline): O desempenho é medido contra a taxa de base da classe majoritária (a precisão de sempre prever a direção mais frequente) para evitar a inflação de métricas de precisão impulsionada por tendências.

Principais Resultados
A avaliação empírica produz um resultado negativo robusto:

• Previsão Direcional: Nenhuma representação, através de qualquer um dos três modelos ou quatro instrumentos, supera significativamente a taxa de base da classe majoritária (média de 52,0%). Todos os valores de precisão caem na faixa de 50,9–52,4%, consistentes com ruído aleatório.
• Impacto dos Descritores Geométricos: A representação HCF proposta (R4) não melhora a representação do vetor de coeficiente bruto (R3). Na verdade, adicionar os descritores geométricos degrada ligeiramente a precisão direcional (ex: 51,6% vs. 52,4% para Regressão Logística em média).
• Redundância de Descritores: A análise de correlação revela que o conjunto de descritores proposto não é independente. Dispersão, estabilidade de trajetória e energia geométrica são mutuamente correlacionados em 0,95–0,98, colapsando efetivamente três descritores em uma única quantidade de "amplitude geral".
• Alvo de Expansão de Volatilidade: No alvo de expansão de volatilidade, que é mais previsível (onde o sinal existe e todas as representações superam a taxa de base de 51,4%), as representações geométricas (R3 e R4) são inferiores às estatísticas móveis simples (R2), que alcançam ~57% de precisão. A organização geométrica não é apenas redundante, mas ativamente inferior às características padrão onde o sinal está presente.
• Robustez: Os resultados negativos mantêm-se através de diferentes comprimentos de janela de histórico ($N \in \{126, 252, 504\}$ sessões).

Principais Contribuições
O artigo enquadra suas contribuições não como uma nova teoria preditiva, mas como uma correção empírica rigorosa e um modelo metodológico:

1. Definição de HCF: Uma definição formal do Campo de Coeficientes Históricos e um conjunto compacto de descritores geométricos, explicitamente posicionados contra conceitos estabelecidos como delay-coordinate embedding, previsão por analogia e estimativa de densidade de núcleo (kernel density estimation).
2. Protocolo de Avaliação Controlado: Um design experimental de "apenas representação" que mantém modelos e divisões de dados fixos, garantindo que quaisquer diferenças de desempenho sejam atribuíveis unicamente à representação de entrada.
3. Resultado Negativo Demonstrado: O relato honesto de que, nos ativos e protocolos testados, a organização geométrica da memória de mercado não carrega informação direcional além das bases simples. O artigo argumenta que um registro contábil geométrico mais elaborado de uma representação sem sinal não cria sinal.

Significância e Alegações
Os autores alegam significância principalmente através do rigor do resultado negativo e da disciplina metodológica aplicada:

• Prevenção de Teoria Não Verificável: O estudo evita a construção de "teorias" geométricas não verificáveis baseadas em representações que não carregam sinal direcional. Estabelece que a reorganização geométrica da memória de mercado não é um atalho para a previsibilidade.
• Padrão de Avaliação: O artigo fornece um modelo reutilizável, controlado e referenciado pela taxa de base para avaliar futuras representações do histórico financeiro.
• Escopo Modesto: Os autores declaram explicitamente que seu resultado é uma afirmação sobre esta família específica de representação nestes específicos tópicos. Eles não alegam uma impossibilidade universal da previsão geométrica, mas argumentam que qualquer representação geométrica futura deve primeiro passar por este mesmo padrão controlado antes que estruturas mais ricas sejam construídas sobre ela.

Em resumo, o artigo conclui que, embora a organização geométrica da memória de mercado seja um quadro conceitual válido, ela falha em fornecer valor preditivo para a previsão direcional ou expansão de volatilidade em comparação com bases cronológicas simples e estatísticas móveis.