Guia Completo: Overfitting em Backtest e como Evitá-lo

A cena é comum. Um trader, após semanas de pesquisa, constrói uma estratégia algorítmica. O backtest é uma obra de arte: a curva de equity sobe de forma quase linear, o Sharpe Ratio é estratosférico e os drawdowns são meros soluços.

Cheio de confiança, ele aloca capital real. Em poucos dias ou semanas, o desastre acontece. A estratégia, antes genial, começa a acumular perdas de forma consistente.

Este não é um caso de azar. É o resultado previsível de um inimigo silencioso e matemático: o overfitting. Ele é o principal culpado por transformar o otimismo dos dados em prejuízo na prática.

A solução não é simplesmente “tentar de novo” ou procurar por outro indicador mágico. A solução é dar um passo para trás e entender a matemática fundamental do problema. Compreender por que um modelo falha é essencial para construir processos robustos e estratégias que realmente sobrevivam no mercado real. Este guia é sobre essa compreensão.

A Definição Formal do Ajuste Excessivo de Curva

Para combater o overfitting, primeiro é preciso defini-lo com precisão. Em estatística e machine learning, overfitting (ou ajuste excessivo de curva) é um erro de modelagem que ocorre quando uma função se ajusta muito proximamente a um conjunto particular de dados, a ponto de não se generalizar para dados adicionais.

Em termos práticos, um modelo com overfitting tem um erro muito baixo nos dados de treino (o período do seu backtest, ou in-sample), mas um erro inaceitavelmente alto em dados novos e não vistos (o futuro, ou out-of-sample).

A causa raiz deste fenômeno pode ser explicada matematicamente pelo trade-off entre viés e variância (Bias-Variance Tradeoff). O erro total de qualquer modelo preditivo pode ser decomposto em três partes:

\text{Erro Total} = \text{Viés}^2 + \text{Variância} + \text{Erro Irredutível (Ruído)}

Vamos entender cada componente de forma intuitiva:

• Viés (Bias): É o erro de um modelo excessivamente simples. Pense em um modelo que tenta capturar uma tendência complexa usando apenas uma linha reta. Ele tem um viés alto porque suas premissas simplistas o impedem de capturar a lógica real do mercado. Ele erra de forma consistente na mesma direção.

• Variância (Variance): É o erro de um modelo excessivamente complexo. Este modelo tem tanta flexibilidade que se ajusta a cada pequena flutuação aleatória nos dados de treino. Ele captura não apenas o sinal, mas todo o ruído. Sua performance é espetacular nos dados que ele já viu, mas quando confrontado com dados novos, suas previsões se tornam erráticas e instáveis.

• Erro Irredutível: Representa o ruído inerente aos dados, a aleatoriedade do mercado que nenhum modelo, por melhor que seja, consegue prever.

Overfitting é a consequência de uma tentativa excessiva de reduzir o viés. Na busca por um modelo que “erre o mínimo possível” nos dados passados, o desenvolvedor aumenta a complexidade. Essa complexidade, por sua vez, eleva a variância, resultando em um modelo perfeitamente ajustado ao passado, mas inútil para o futuro.

Um modelo com overfitting não é simplesmente um ‘modelo ruim’. É um modelo perigosamente enganoso, pois sua performance passada cria uma falsa sensação de segurança que é estatisticamente fadada ao fracasso.

A Intuição de Mercado: Diferenciando Sinal e Ruído

A matemática do viés e da variância pode ser traduzida diretamente para a realidade do mercado financeiro. Nosso objetivo como traders quantitativos é separar dois componentes fundamentais do movimento de preços: o sinal e o ruído.

O Sinal é o padrão de mercado genuíno, a anomalia estatística, a vantagem (alpha) que é explorável e que possui uma causa econômica ou comportamental subjacente que a torna propensa a se repetir. Pode ser uma tendência estrutural, um padrão de reversão à média sazonal ou uma assimetria de fluxo de ordens. O sinal é fraco, intermitente e difícil de isolar.

O Ruído é tudo o mais. São as flutuações aleatórias, as notícias inesperadas, os movimentos de preço idiossincráticos causados por um grande player fechando uma posição, ou simplesmente a aleatoriedade inerente a um sistema complexo. O ruído é alto, constante e, por definição, não tem poder preditivo.

O trabalho do trader quantitativo não é criar um modelo que “adivinha o passado” com 100% de precisão. O verdadeiro trabalho é construir um modelo que atue como um filtro estatístico: um que isole e capture o sinal, enquanto ignora o máximo de ruído possível.

O overfitting é uma falha crítica neste processo, onde o modelo, por excesso de complexidade, faz exatamente o oposto: ele ignora o sinal fraco e aprende perfeitamente o padrão do ruído forte, que nunca mais se repetirá da mesma forma.

Característica	Modelo Ajustado ao SINAL (Robusto)	Modelo Ajustado ao RUÍDO (Overfitting)
Performance	Consistente em dados In-Sample e Out-of-Sample	Excelente em In-Sample, péssima em Out-of-Sample
Complexidade	Geralmente simples, poucas regras (parcimônia)	Alta, muitos parâmetros e filtros específicos
Curva de Equity	Apresenta drawdowns realistas e períodos de perda	Excessivamente suave, quase sem perdas
Robustez	Funciona em diferentes condições de mercado	Quebra com pequenas mudanças nos dados ou no regime

O mercado financeiro é um ambiente de baixo sinal-ruído. Achar que um modelo pode prever perfeitamente seu comportamento passado é o primeiro passo para modelar o ruído e garantir o prejuízo futuro.

Delimitação Conceitual: O Que o Overfitting NÃO É

Para diagnosticar corretamente o problema, é crucial entender também o que o overfitting não é. Confundir seus sintomas com outras falhas comuns é um erro que impede o aprendizado e a melhoria do processo.

Primeiro, overfitting não é sinônimo de uma estratégia ruim. Uma estratégia genuinamente ruim, como “comprar todo topo e vender todo fundo”, terá um backtest péssimo e uma performance péssima na realidade. O overfitting é mais traiçoeiro: ele se manifesta como um backtest excelente para uma estratégia que, na prática, não possui qualquer vantagem real.

Segundo, a falha de um modelo com overfitting não é azar. Não é uma questão de “o mercado virou contra mim”. É uma consequência matemática previsível da forma como o modelo foi construído. A falha em dados futuros é tão certa quanto a performance espetacular nos dados passados.

Finalmente, overfitting não é (apenas) uma mudança de regime de mercado. É verdade que uma mudança estrutural no mercado pode quebrar até mesmo uma estratégia robusta. No entanto, um modelo com overfitting falhará mesmo que o regime de mercado permaneça exatamente o mesmo. Ele não se ajustou a um regime; ele se ajustou aos padrões aleatórios e específicos que ocorreram dentro daquele regime.

Confundir a falha de um modelo com ‘azar’ ou ‘mudança de mercado’ é o erro que impede o trader quantitativo de diagnosticar a verdadeira causa do problema: a falha no processo de modelagem.

Cenários de Risco: Day Trade vs. Swing Trade

O overfitting é um problema estatístico universal. No entanto, sua manifestação e os riscos associados variam drasticamente com o horizonte operacional da estratégia. A natureza do ruído e do sinal muda conforme o timeframe.

No Day Trade, o volume de dados e operações é tipicamente alto, o que pode criar uma falsa sensação de segurança estatística. O perigo real reside na baixíssima relação sinal/ruído. Em timeframes curtos, o movimento de preços é dominado por ruído. A tentação de adicionar múltiplos filtros — por horário, volume, dia da semana — para “limpar” os dados é imensa, mas cada filtro é um passo em direção ao ajuste de curva.

Já no Swing Trade, o problema se inverte. O sinal (tendências de dias ou semanas) é geralmente mais claro, mas o número de operações independentes (N) é muito menor. Com poucos eventos para aprender, o risco é otimizar excessivamente os parâmetros da estratégia (como o período de uma média móvel) para se ajustar perfeitamente aos grandes movimentos do passado.

Fator de Risco	Day Trade	Swing Trade
Volume de Trades (N)	Alto. Parece estatisticamente seguro, mas…	Baixo. Risco óbvio de amostra pequena.
Ratio Sinal/Ruído	Extremamente baixo. O ruído domina os timeframes curtos.	Moderado. Sinais (tendências) são mais claros.
Tentação de Overfitting	Adicionar múltiplos filtros (horário, volume, notícias) para “limpar” o ruído, consumindo graus de liberdade rapidamente.	Otimizar excessivamente os poucos parâmetros (períodos de médias, níveis de IFR) para se ajustar aos poucos grandes movimentos do período.
Principal Armadilha	Modelar padrões de ruído intradiário (micro-padrões) que não se repetem.	Criar um modelo que só funciona no regime de mercado específico do backtest (ex: um bull market contínuo).

No day trade, o overfitting se esconde na complexidade dos filtros. No swing trade, ele se esconde na especificidade dos parâmetros. Em ambos os casos, o resultado é o mesmo: a falência da lógica em dados futuros.

A Moeda do Backtest: Graus de Liberdade e Parâmetros Críticos

Um conceito fundamental para quantificar o risco de overfitting é o de Graus de Liberdade (Degrees of Freedom – DoF). Pense nos graus de liberdade como o recurso mais valioso e finito de um backtest. Você começa com um “orçamento” de DoF e cada decisão de modelagem, cada parâmetro testado e cada regra adicionada “gasta” uma parte desse orçamento.

A relação matemática é direta e devastadora:

df = N - P

Onde N é o número de observações independentes (uma aproximação razoável seria o número de trades) e P é o número de parâmetros testados ou otimizados no modelo.

Quando o número de parâmetros P se aproxima do número de trades N, os graus de liberdade df tendem a zero. Isso significa que o modelo tem tanta flexibilidade que pode se ajustar perfeitamente a cada ponto de dado, incluindo todo o ruído. Um df baixo é um sinal vermelho de que seu backtest é um artefato estatístico.

Nem todos os parâmetros são criados iguais. Alguns consomem DoF de forma muito mais perigosa que outros.

Tipo de Parâmetro	Exemplos Práticos	Impacto no Risco de Overfitting
Indicadores Técnicos	Períodos de Médias Móveis, Níveis de RSI/Estocástico, Desvios de Bandas de Bollinger	Alto. Cada período testado é um parâmetro. Testar uma MME de 1 a 200 é gastar 200 “fichas” do seu orçamento.
Regras de Entrada/Saída	Stop Loss (%), Trailing Stop (%), Alvo de Lucro (ATR)	Muito Alto. Otimizar esses valores com alta precisão (ex: stop de 1.25% vs 1.30%) é uma forma clássica de ajustar o modelo a movimentos de preço específicos do passado.
Filtros de Condição	Horário de operação (operar apenas das 10h às 11h), Dia da semana, Volatilidade (VIX > 20)	Extremo. Cada filtro binário corta a amostra e se ajusta a uma condição histórica que pode não ter causalidade, sendo apenas uma correlação espúria.
Seleção de Ativos	Testar uma ideia em 50 ativos e escolher apenas os 3 melhores	Crítico. Isso é uma forma de Viés de Seleção, um macro-overfitting. A performance dos “vencedores” é quase certamente sorte.

Cada parâmetro que você otimiza é uma pergunta que você faz aos seus dados. Com dados finitos, você eventualmente ficará sem respostas honestas e começará a ouvir os ecos do acaso.

Gestão de Risco e a Falácia do Position Sizing Otimizado

Um backtest com overfitting não apenas cria uma estratégia falha; ele também distorce completamente a percepção de risco, levando a uma gestão de capital suicida.

Métricas infladas como um Sharpe Ratio de 5.0, um drawdown máximo de apenas 3% e uma taxa de acerto de 85% incentivam o trader a acreditar que encontrou uma “máquina de dinheiro”. Essa confiança cega leva a duas decisões prejudiciais: alavancagem excessiva e o uso de modelos de dimensionamento de posição agressivos.

Quando a performance real se materializa, sendo drasticamente pior que a do backtest, a posição superdimensionada acelera as perdas de forma catastrófica. O que deveria ser um pequeno drawdown se torna uma chamada de margem.

O antídoto é uma dose de ceticismo rigoroso. O dimensionamento da posição nunca deve ser baseado nos resultados glorificados do backtest in-sample. Uma prática robusta é aplicar um “haircut” (um desconto severo, de 50% ou mais) em todas as métricas de performance do backtest antes de alimentar qualquer fórmula de position sizing.

Dimensionar sua posição com base em um backtest com overfitting é como construir a fundação de um arranha-céu sobre areia movediça. A estrutura parece perfeita na planta, mas o colapso no mundo real é inevitável.

Métodos de Defesa: Validação Robusta e Armadilhas a Evitar

A ciência de dados quantitativa nos oferece diversas técnicas para detectar e mitigar o overfitting. Um backtest não deve ser um processo único, mas uma série de testes de estresse projetados para tentar “quebrar” a estratégia.

• Validação Out-of-Sample (OOS): Este é o primeiro e mais fundamental teste de sanidade. Divida seu conjunto de dados histórico em dois períodos. Use o primeiro período (In-Sample), para desenvolver e otimizar sua estratégia. Em seguida, teste o modelo finalizado no período seguinte (Out-of-Sample). Uma queda drástica na performance entre os dois é o sinal mais claro de overfitting.

• Walk-Forward Analysis (WFA): Uma evolução mais sofisticada do teste OOS. Em vez de uma única divisão, o WFA usa um processo de janelas deslizantes. Por exemplo, você otimiza a estratégia nos anos 1-3 e a testa no ano 4; depois, rola a janela, otimiza nos anos 2-4 e testa no ano 5, e assim por diante. Isso valida se a lógica da estratégia é robusta ao longo do tempo.

• Viés de Seleção (Data Mining Bias): Esta é talvez a armadilha mais sutil. Se sua estratégia foi a “vencedora” de um processo que testou centenas de outras ideias no mesmo conjunto de dados, sua performance é suspeita. Isso é data mining. A probabilidade de encontrar um padrão puramente aleatório que parece genial aumenta com o número de hipóteses que você testa.

Um backtest não é uma ferramenta de descoberta de estratégias mágicas. É uma ferramenta de refutação de hipóteses. Se você não consegue quebrar sua estratégia com testes rigorosos, talvez, e apenas talvez, ela tenha algum mérito.

Mitos, Erros Fatais e a Realidade Estatística

No mundo do trading algorítmico, certas “verdades” são repetidas até se tornarem dogmas. Infelizmente, muitas delas são atalhos para resultados insatisfatórios. Desconstruir esses mitos é crucial para construir um processo de validação que realmente funciona.

Mito Comum	Realidade Estatística	Como Evitar
“Um Sharpe Ratio de 5.0 no backtest é incrível!”	Um Sharpe Ratio tão alto é um dos maiores sinais de overfitting. É estatisticamente implausível em mercados eficientes e geralmente indica um modelo ajustado ao ruído ou um erro na simulação (ex: custos não modelados).	Desconfie de qualquer resultado “bom demais para ser verdade”. Aplique testes de robustez, valide em dados out-of-sample e sempre aplique um grande “haircut” (desconto) nas suas expectativas.
“Mais regras e filtros tornam a estratégia mais inteligente.”	Mais regras consomem mais graus de liberdade, aumentando exponencialmente o risco de overfitting e diminuindo a robustez do modelo para novas condições de mercado.	Siga o Princípio da Parcimônia (Navalha de Occam). Prefira a simplicidade. Cada regra deve ter uma forte justificativa econômica e ser testada individualmente quanto ao seu valor agregado.
“Se funcionou nos últimos 10 anos, vai funcionar no próximo.”	O backtest apenas mostra uma correlação passada, não garante causalidade futura. Um modelo com overfitting se ajustou ao ruído específico desses 10 anos, que por definição não se repetirá.	Use validação Out-of-Sample e Walk-Forward Analysis para verificar se a lógica se mantém em dados não vistos. Foque na lógica econômica da estratégia, não apenas na sua performance histórica.
“Meu backtest tem 90% de acerto, encontrei o ‘Santo Graal’.”	Taxas de acerto irreais são um sintoma clássico de ajuste de curva, especialmente se combinadas com um ratio Risco/Retorno baixo. O modelo pode estar apenas evitando pequenas perdas, tornando-o frágil a uma única grande perda catastrófica.	Analise a distribuição completa dos retornos, não apenas a taxa de acerto. Verifique a assimetria da distribuição (skewness) e se o lucro não vem de poucos trades anômalos que dificilmente se repetirão.

No trading quantitativo, o ceticismo é sua maior ferramenta de gestão de risco. A primeira hipótese para qualquer backtest espetacular deve ser a presença de overfitting ou um erro na simulação.

Checklist de Implementação: Validando sua Estratégia Passo a Passo

Um backtest promissor não é o fim da jornada, é o começo da verdadeira diligência. Use este checklist como um guia passo a passo para separar as estratégias robustas das ilusões estatísticas.

• ✅ Fundamento Econômico: Existe uma hipótese clara e lógica para sua estratégia? Você consegue explicar, em uma frase, por que ela deveria gerar alfa?
• ✅ Parcimônia: Seu modelo é o mais simples possível? Conte seus parâmetros (P). Se não consegue justificar cada um deles, remova-o.
• ✅ Amostra Estatística: Quantos trades (N) o backtest gerou? N deve ser ordens de magnitude maior que P. Um backtest com 50 trades e 10 parâmetros é um convite ao desastre.
• ✅ Validação Fora da Amostra (Out-of-Sample): Separe um período final dos dados (ex: os últimos 20%) que não foi usado no desenvolvimento. A performance colapsa nesses dados? Se sim, é overfitting.
• ✅ Análise de Sensibilidade e Robustez: Sua estratégia sobrevive a pequenas mudanças nos parâmetros (ex: uma média móvel de 20 para 19 e 21)? Se uma mudança mínima destrói os resultados, seu modelo não é robusto.
• ✅ Simulação de Custos Realistas: Slippage, comissões, spreads e taxas foram modelados de forma pessimista? Uma estratégia ótima sem custos pode ser um perdedor líquido na realidade.
• ✅ Teste de Monte Carlo: A performance depende da sequência exata dos trades? Embaralhe a ordem dos retornos milhares de vezes. Se a curva original for um outlier extremo entre as simuladas, ela pode ser resultado de sorte.
• ✅ Auditoria de Viés de Seleção: Seja honesto. Esta estratégia foi a “vencedora” de centenas de testes que você rodou? Se sim, a performance dela já está contaminada.
• ✅ Análise Visual da Curva de Equity: A curva parece uma linha reta subindo para o céu? Perfeição é o maior sinal de um erro de modelagem ou simulação.
• ✅ Período de Incubação (Paper/Live Trading): Antes de alocar capital significativo, deixe a estratégia rodar em uma conta demo ou com capital muito pequeno por semanas ou meses.

Um backtest não é a linha de chegada, é o ponto de partida. O verdadeiro trabalho de validação começa depois que você encontra um resultado promissor.

FAQ: Perguntas Frequentes sobre Overfitting em Backtests

O que é overfitting em um backtest de trading?
É quando um modelo de trading se ajusta perfeitamente aos dados históricos, incluindo o ruído aleatório, em vez de capturar o sinal de mercado subjacente. Isso resulta em uma performance impressionante no teste, mas falha em dados novos.

Como saber se meu robô trader sofre de overfitting?
Sinais incluem uma curva de equity perfeita e linear, Sharpe Ratio acima de 3, taxa de acerto irrealista (acima de 75%), drawdowns mínimos e um grande número de parâmetros otimizados para chegar ao resultado.

Qual a diferença entre backtest in-sample e out-of-sample?
In-sample (IS) são os dados usados para criar e otimizar a estratégia. Out-of-sample (OOS) são dados novos, não vistos, usados para validar se a estratégia funciona em condições desconhecidas.

Quantos trades são necessários para um backtest ser confiável?
Não há um número mágico, mas muito menos de 100 trades é um sinal de alerta. O mais importante é que o número de trades (N) seja significativamente maior que o número de parâmetros otimizados (P).

O que são graus de liberdade em um modelo de trading?
É a capacidade dos seus dados de fornecer informações independentes. Cada regra ou parâmetro que você adiciona consome um grau de liberdade, aumentando a chance do modelo se ajustar ao acaso.

Como o excesso de regras ou indicadores causa overfitting?
Cada regra age como um filtro que se ajusta a condições específicas do passado. Muitas regras criam um modelo hiper-específico para aquele período de dados, que não se generaliza para o futuro.

Walk-forward analysis previne o overfitting?
Não previne, mas é uma excelente ferramenta para detectá-lo. Se a performance da estratégia decai consistentemente em cada janela de teste “walk-forward”, é um forte indício de overfitting.

O que é o viés de seleção (selection bias) em algotrading?
É o processo de testar centenas ou milhares de estratégias e escolher apenas a que teve o melhor desempenho por sorte. O processo de seleção em si introduz overfitting, mesmo que a estratégia “vencedora” seja simples.

É possível ter um Sharpe Ratio “alto demais” em um backtest?
Sim. Para a maioria das estratégias, um Sharpe Ratio acima de 3.0 em um backtest de longo prazo é altamente suspeito e provavelmente resultado de overfitting, custos irrealistas ou um erro no cálculo.

Como diferenciar um modelo que aprendeu o ‘sinal’ do que aprendeu o ‘ruído’?
Um modelo que aprendeu o sinal é geralmente mais simples (parcimonioso) e mantém sua performance de forma consistente em dados out-of-sample e testes de robustez. Um modelo que aprendeu o ruído é complexo e sua performance colapsa imediatamente em dados novos.

O que é um “haircut” de métricas?
É a prática de aplicar um desconto pessimista (ex: 30-50%) em todas as métricas de performance do backtest (lucro, Sharpe, etc.) para estimar um resultado mais realista e conservador em produção.

O overfitting é um problema apenas para robôs de alta frequência (HFT)?
Não. Ele afeta qualquer tipo de estratégia, do day trade ao swing e position trade. A forma como ele se manifesta é diferente, mas o princípio estatístico é exatamente o mesmo.

Usar Machine Learning aumenta o risco de overfitting?
Sim, drasticamente. Modelos de Machine Learning são extremamente flexíveis e têm muitos parâmetros, o que os torna inerentemente propensos a overfitting se não forem validados com técnicas rigorosas como cross-validation e regularização.

É possível eliminar 100% do risco de overfitting?
Não. É impossível ter certeza absoluta de que um modelo não está com overfitting. O objetivo do trader quantitativo profissional é usar as melhores práticas para minimizar o risco a um nível aceitável e gerenciável.

Qual o primeiro passo para corrigir uma estratégia com overfitting?
Simplificar. Remova regras, filtros e parâmetros até ficar apenas com a lógica central da sua hipótese de mercado. A robustez nasce da simplicidade, não da complexidade.

Conclusão: A Busca pela Robustez em Vez da Perfeição

Ao final desta jornada, a mensagem central deve ser clara: a meta de um trader quantitativo sério não é criar um backtest perfeito, mas sim um modelo robusto. A perfeição no passado é uma ilusão estatística perigosa; a robustez é o que permite que uma estratégia sobreviva e se adapte à incerteza do futuro.

O overfitting não é uma falha moral, mas um erro metodológico. Ele nasce da tentação de encontrar ordem no caos e da disponibilidade de ferramentas computacionais que nos permitem extrair qualquer padrão, mesmo que aleatório. A cura é um processo rigoroso, um ceticismo saudável e uma mudança de mentalidade.

Pare de procurar pelo “Santo Graal”. Em vez disso, construa um processo de validação que seja uma fortaleza contra a aleatoriedade e o autoengano. É esse processo, e não uma estratégia específica, que será seu ativo mais valioso a longo prazo.

• Audite Agora: Use o checklist desta página para reavaliar sua principal estratégia de trading imediatamente. Seja brutalmente honesto.
• Implemente a Defesa: Escolha uma técnica de validação (no mínimo, a separação In-Sample/Out-of-Sample) e a integre formalmente em seu processo de desenvolvimento.
• Adote a Simplicidade: Desafie cada regra e parâmetro do seu modelo. Se não houver uma justificativa econômica forte para sua existência, ele provavelmente está modelando ruído. Remova-o.

O trader quantitativo de sucesso não é aquele que encontra a estratégia perfeita. É aquele que entende profundamente por que a maioria das estratégias falha e constrói seu processo para evitar sistematicamente essas armadilhas.

Referências e Literatura Quant

• Sobre Overfitting em Backtests: Bailey, D. H., Borwein, J. M., Lopez de Prado, M., & Zhu, Q. (2014) – “Pseudo-Mathematics and Financial Charlatanism: The Effects of Backtest Overfitting“. Aborda como o sobreajuste em backtests leva a desempenhos enganosos e a falsas descobertas no trading algorítmico.
• Viés de Mineração de Dados (Data Mining Bias): Harvey, C. R., & Liu, Y. (2015) – “A Guide to the Factor Zoo“. Discute a proliferação de fatores de investimento e como o viés de mineração de dados pode levar à descoberta de padrões espúrios que não se replicam no futuro.
• Validação Robusta de Modelos: Lopez de Prado, M. (2020) – “Machine Learning for Asset Managers: The New Frontier“. Uma publicação da CFA Institute Research Foundation que aborda técnicas avançadas de validação, incluindo walk-forward analysis e métodos de cross-validation, para evitar overfitting em modelos financeiros.
• Trade-off Viés-Variância em Finanças: Wang, S., & Wu, L. (2019) – “The Bias-Variance Tradeoff in Machine Learning for Finance“. Explora como o trade-off entre viés e variância se manifesta na construção de modelos de Machine Learning aplicados aos mercados financeiros e como gerenciá-lo para otimizar a performance.
• Gestão de Risco e Position Sizing: Vermeulen, A., & Van den Broek, H. (2018) – “Optimal Position Sizing Strategies: The Impact of Model Risk“. Investiga a importância de considerar o risco do modelo (incluindo overfitting) ao definir estratégias de dimensionamento de posição, mostrando como um modelo otimizado para o passado pode levar a alocações subótimas e perdas significativas.