Efeitos de um modelo classificador de machine learning aplicado a um setup de trading intradiário em contratos futuros de índice Ibovespa
Visualizar/abrir
Data
2026Orientador
Nível acadêmico
Graduação
Assunto
Resumo
Este artigo avalia os efeitos, em risco e retorno, da aplicação de um modelo classificador de machine learning (XGBoost) sobre um setup de trading intradiário baseado em análise técnica clássica, operando rompimentos de topos e fundos no minicontrato futuro de Ibovespa (WINFUT), no gráfico de 5 minutos. Enquanto boa parte da literatura aborda o problema pela ótica da previsão do preço futuro do ativo, abordagem reconhecidamente complexa, dada a natureza ruidosa das séries financeiras, este trab ...
Este artigo avalia os efeitos, em risco e retorno, da aplicação de um modelo classificador de machine learning (XGBoost) sobre um setup de trading intradiário baseado em análise técnica clássica, operando rompimentos de topos e fundos no minicontrato futuro de Ibovespa (WINFUT), no gráfico de 5 minutos. Enquanto boa parte da literatura aborda o problema pela ótica da previsão do preço futuro do ativo, abordagem reconhecidamente complexa, dada a natureza ruidosa das séries financeiras, este trabalho adota uma abordagem distinta: em vez de prever o preço, classifica a probabilidade de êxito de um sinal de entrada já gerado por uma regra técnica. A partir de 2.774 operações, divididas cronologicamente em treino (70%) e teste (30%), o setup base apresentou, no conjunto de teste, taxa de acerto de 68,55%, razão lucro/prejuízo de 1,95 e resultado de 87.110 pontos, com drawdown máximo de 3.215 pontos. A aplicação do filtro XGBoost elevou a taxa de acerto para 70,43% e a razão lucro/prejuízo para 2,42, além de reduzir o drawdown máximo de 3.215 para 1.520 pontos, ao custo de menos operações e menor resultado absoluto. Na validação walk-forward aplicada em 6 janelas semestrais, porém, o XGBoost obteve AUC média de 0,535, estatisticamente igual à da regressão logística (0,536), com teste t pareado (p = 0,96) e teste de Wilcoxon (p ≈ 0,81) indicando ausência de diferença significativa. Conclui-se que o filtro melhora o perfil de risco do setup, mas que o sinal preditivo é fraco e essencialmente linear, de modo que o XGBoost não supera um modelo linear simples. ...
Abstract
This paper evaluates the effects, on risk and return, of applying a machine learning classifier (XGBoost) to an intraday trading setup based on classical technical analysis, trading breakouts of tops and bottoms on the Ibovespa mini futures contract (WINFUT) on the 5-minute chart. While much of the literature approaches the problem through the lens of forecasting an asset's future price — an admittedly complex approach, given the noisy nature of financial series —, this study adopts a different ...
This paper evaluates the effects, on risk and return, of applying a machine learning classifier (XGBoost) to an intraday trading setup based on classical technical analysis, trading breakouts of tops and bottoms on the Ibovespa mini futures contract (WINFUT) on the 5-minute chart. While much of the literature approaches the problem through the lens of forecasting an asset's future price — an admittedly complex approach, given the noisy nature of financial series —, this study adopts a different approach: instead of predicting the price, it classifies the success probability of an entry signal already generated by a technical rule. Based on 2,774 trades, split chronologically into training (70%) and test (30%), the base setup achieved, on the test set, a hit rate of 68.55%, a profit/loss ratio of 1.95 and a result of 87,110 points, with a maximum drawdown of 3,215 points. Applying the XGBoost filter raised the hit rate to 70.43% and the profit/loss ratio to 2.42, and also reduced the maximum drawdown from 3,215 to 1,520 points, at the cost of fewer trades and a smaller absolute result. In walk-forward validation applied over 6 semiannual windows, however, XGBoost achieved a mean AUC of 0.535, statistically indistinguishable to that of the logistic regression (0.536), with a paired t-test (p = 0.96) and a Wilcoxon test (p ≈ 0.81) indicating no significant difference. We conclude that the filter improves the setup's risk profile, but that the predictive signal is weak and essentially linear, so that XGBoost does not outperform a simple linear model. ...
Instituição
Universidade Federal do Rio Grande do Sul. Faculdade de Ciências Econômicas. Curso de Ciências Econômicas.
Coleções
-
TCC Ciências Econômicas (1490)
Este item está licenciado na Creative Commons License


