Janelas expansivas e móveis na validação walk-forward

Na origem de uma previsão, o pesquisador conhece alguns recursos e resultados passados, ajusta ou atualiza o modelo e o avalia em um bloco posterior. Ao mover a origem para a frente, surgem períodos sequenciais fora da amostra. A regra da janela de treinamento define quais linhas passadas elegíveis entram em cada ajuste. As regras de validação e teste definem quais resultados posteriores são usados para comparar opções e estimar o desempenho. São decisões relacionadas, mas não representam a mesma janela.

A regra expansiva começa em um limite histórico fixo e cresce quando novos resultados ficam disponíveis. A regra móvel desloca as duas extremidades, mantendo o número de observações constante após o aquecimento inicial. Em ambos os casos, não use um alvo cujo resultado ainda não tenha terminado na origem da previsão. Se os rótulos abrangem várias sessões, a data da linha pode não indicar quando o resultado ficou conhecido; registre o horário de término do rótulo e respeite esse limite.

Separe também o período retrospectivo dos recursos da janela de treinamento. Um sinal pode calcular a volatilidade de cada linha usando um período recente curto, enquanto o modelo ajustado usa linhas de vários anos. Alterar o retrospecto do recurso muda os preditores; alterar a janela de treinamento muda as observações usadas para estimar o modelo.

Seja \(s\) o índice da primeira observação elegível e \(t\) o da observação mais recente cujo rótulo já terminou no momento do ajuste. O conjunto expansivo de treinamento é \(\{s,s+1,\ldots,t\}\). Na origem seguinte, as linhas são mantidas e novas linhas elegíveis são adicionadas. Portanto, o tamanho cresce com o tempo, a menos que uma regra separada filtre ou remova dados.

Mais observações podem reduzir o ruído amostral das estimativas dos parâmetros se os dados antigos ainda descreverem o processo estudado. Também podem preservar condições de mercado raras que uma amostra recente e curta deixaria de fora, além de evitar um corte histórico arbitrário. Por outro lado, linhas antigas não perdem influência só por serem antigas. Se a relação entre preditores e retornos mudar, os dados iniciais podem puxar as estimativas para condições que já não se parecem com o mercado atual. Ajustes maiores também podem ficar mais lentos. Preservar o histórico não o torna automaticamente mais representativo.

Para um tamanho fixo \(W\), o conjunto de treinamento na origem \(t\) é \(\{t-W+1,\ldots,t\}\), considerando o atraso dos rótulos e qualquer intervalo de separação na fronteira. Na origem seguinte, o fim avança e a linha elegível mais antiga sai. O tamanho pode ser expresso em número de observações ou tempo de calendário, mas essas unidades não são intercambiáveis quando os dados são irregulares.

A janela móvel estabelece uma regra de atualidade. Ela pode ser útil quando a pergunta de pesquisa trata da adaptação a condições variáveis ou quando a operação exige um tamanho de treinamento limitado. Mas não torna o modelo adaptativo por si só. Reajustes pouco frequentes ou mudanças graduais podem atrasar a resposta. Um intervalo curto fornece menos informação, pode tornar as estimativas instáveis, omitir períodos raros de estresse ou deixar poucos exemplos para um modelo complexo. Um intervalo mais longo preserva mais histórico, mas pode diluir padrões recentes.

A unidade de medida também importa: o mesmo número de linhas pode cobrir períodos de calendário diferentes por causa de feriados, dados ausentes ou frequência distinta. Em dados em painel, defina se a janela remove linhas ou grupos de ativos por data. Se \(W\) for escolhido depois de examinar o teste final, esse período passa a fazer parte da seleção e deixa de ser um teste independente.

Para isolar a política da janela, mantenha iguais o corte de informações, os recursos, a classe do modelo, o objetivo de treinamento, as datas de ajuste, o horizonte de previsão, os blocos de teste e as premissas de execução. Se o modelo móvel também for reajustado com mais frequência ou usar outros recursos, a diferença de pontuação não pode ser atribuída apenas à janela.

Essas regras também não definem a origem da previsão. É possível avaliar as duas janelas com origens móveis: treinar nos dados passados elegíveis, prever o próximo bloco, avançar e repetir. A revisão de Leonard Tashman sobre testes de previsão fora da amostra00065-0) discute origens móveis e janelas móveis de estimação. Uma define quando ocorre a avaliação; a outra, quais linhas de treinamento permanecem.

Todos os números e datas a seguir são hipotéticos. Suponha que o modelo seja reajustado mensalmente para prever o retorno do mês seguinte, e que o primeiro ajuste use 60 observações elegíveis até o mês 120. Um rótulo só pode ser usado depois que seu resultado termina. Na primeira origem, as duas regras usam as mesmas 60 linhas se a janela móvel tiver tamanho 60.

Quando um novo resultado mensal fica conhecido, o conjunto expansivo passa a ter 61 linhas elegíveis. O móvel adiciona a nova linha e remove a mais antiga, mantendo 60. Após 12 atualizações, o expansivo terá 72 linhas desde o início original, enquanto o móvel conservará as 60 mais recentes. As estimativas podem divergir porque os históricos são diferentes, mesmo que cada linha estivesse disponível no momento do respectivo ajuste.

Neste exemplo, reserve os últimos 24 meses para um teste externo. A regra e o tamanho da janela, os recursos e as demais configurações devem ser escolhidos em períodos de validação cronológica anteriores. Depois, avalie a seleção congelada conforme o cronograma de ajustes definido previamente. Alterar o tamanho após ver os resultados externos usa o teste para selecionar e exagera a força da evidência final.

Formule a pergunta antes de comparar: o modelo deve usar todo o histórico disponível em cada ajuste ou há uma razão para excluir exemplos antigos? A relação-alvo deve permanecer estável ou as entradas relevantes podem mudar? Essas perguntas orientam os candidatos, mas não comprovam antecipadamente qual regra terá melhor resultado em determinado mercado.

Use dados de desenvolvimento anteriores para comparar um conjunto pequeno e predefinido, como a janela expansiva e algumas durações móveis plausíveis, nos mesmos blocos de validação cronológica e com a mesma frequência de ajuste. Defina o objetivo antes de calcular as pontuações: perda de previsão, calibração, utilidade da carteira ajustada por giro e drawdown máximo respondem a perguntas diferentes. Mantenha custos e restrições iguais e registre ajustes malsucedidos e previsões ausentes. Se alvos ou blocos se sobrepõem, pontuações próximas podem compartilhar retornos; descreva essa dependência em vez de contar cada linha como um experimento independente.

Reserve um período cronológico posterior, sem consulta, para o teste final. Em um desenho aninhado, a validação interna seleciona a janela e outras configurações usando apenas dados anteriores a cada bloco de teste externo; os resultados externos avaliam todo o procedimento de seleção. O [guia de validação cruzada purgada](/pt-BR/learn/purged-cross-validation-embargo-time-series-finance-explained) explica limites com rótulos sobrepostos; o [overfitting de modelos financeiros](/pt-BR/learn/bias-variance-tradeoff-financial-model-overfitting-explained) e os [testes múltiplos](/pt-BR/learn/multiple-testing-false-discovery-rate-finance-explained) abordam riscos de seleção relacionados.

Em cada origem, use somente recursos e rótulos que já eram conhecidos. Um retorno futuro de várias sessões pode continuar incompleto perto do limite de validação, mesmo se a data da decisão for anterior. Quando necessário, deixe uma lacuna ou remova linhas conforme os intervalos reais dos rótulos; um número fixo de linhas só é adequado se a frequência das observações e o horizonte justificarem. Nenhuma regra de janela corrige um recurso que contenha informação futura.

Ajuste imputação, escalonamento, seleção de recursos e outros pré-processamentos aprendidos apenas na parte de treinamento de cada fold. Se um limiar ou hiperparâmetro precisar ser escolhido, use uma validação cronológica interna ao período de treinamento e congele a escolha ao pontuar o bloco posterior. A documentação oficial do scikit-learn para TimeSeriesSplit descreve um conjunto de treinamento expansivo por padrão e max_train_size para limitar seu tamanho. gap conta amostras; durações de fold comparáveis pressupõem observações igualmente espaçadas. Verifique também os horários dos rótulos financeiros e a versão da biblioteca usada.

Informe a regra e o tamanho exato da janela, a data mais antiga mantida, o número de linhas elegíveis em cada ajuste, a regra de disponibilidade dos rótulos, as datas de validação e teste final, o horizonte e o cronograma de ajustes. Mostre resultados por bloco de teste além do agregado. A média pode ocultar o domínio de um episódio de mercado, e previsões próximas podem compartilhar resultados, não sendo evidências independentes.

A precisão da previsão não equivale ao resultado líquido de negociação. Construção de posições, alavancagem, giro, liquidez, taxas, spread, impacto de mercado, empréstimo, funding e horário de execução afetam o resultado. Mantenha essas premissas iguais ao comparar e informe o que foi omitido. O estudo de Cerqueira, Torgo e Mozetič sobre estimativa de desempenho em séries temporais relata que as estimativas podem diferir entre condições estacionárias e não estacionárias. O estudo não compara diretamente políticas de janela financeira nem prova que uma regra sempre vence.

Considere cada backtest como evidência sobre um histórico e um processo específicos. A janela expansiva pode reter um regime obsoleto; a móvel pode descartar informações úteis e ficar ruidosa. A regra escolhida pode falhar em outro regime, universo de ativos ou ambiente de custos. A validação reduz a incerteza sobre o procedimento testado, mas não promete retornos futuros nem prova que alguma janela seja ótima.