Redes neurais são ferramentas poderosas, mas no mercado financeiro elas não funcionam como bola de cristal. O processo é claro: você define uma variável alvo, por exemplo o preço futuro de um ativo. A rede gera uma previsão, que quase sempre será ruim no início. Comparamos previsão e preço real, calculamos o erro. Esse erro volta para dentro da rede via backpropagation, ajustando os pesos. A cada batch e a cada epoch, ela tenta reduzir o erro. Depois de muitas iterações, o erro diminui até atingir um ponto de saturação, onde os ajustes quase não fazem diferença. O problema: prever preço é quase impossível, o ruído é maior que o sinal. O resultado, na maioria dos casos, é overfitting — modelos que parecem bons em backtest mas falham no mercado real. O caminho certo não é treinar rede para prever candles, mas para classificar eventos que sabemos que movem preço. Um exemplo: usar redes recorrentes para analisar discursos de policy makers e extrair tom hawkish/dovish. ...