Revisão de pesquisa · López de Prado · rotulagem e validação cruzada
Rotulagem e Validação Cruzada
Como você rotula e como você valida fabrica vantagem fantasma, ou a dissolve. Três estudos multi-mercado, com custos e filtrados pelo DSR, sobre acertar nas duas coisas.
Duas decisões estão a montante de todo resultado de machine learning financeiro: como você transforma preços brutos em um alvo aprendível (o rótulo) e como você separa dados para pontuar o modelo (a validação cruzada). Erre-as e um backtest fabrica uma vantagem que nunca existiu; acerte-as e boa parte da vantagem aparente se dissolve. Esta página reproduz três dos métodos de López de Prado nos mesmos três mercados reais e totalmente custeados, cripto, ações dos EUA e forex, 42 instrumentos, e os reporta contra uma régua honesta, o Deflated Sharpe Ratio. O explorador interativo abaixo permite assistir ao vazamento do k-fold padrão e ver por que uma única divisão de backtest quase não significa nada.
Advances in Financial ML, Cap. 3 & 7
López de Prado (2018) · labeling & cross-validation
Código e dados, três reproduções
github.com/DaruFinance/lopez-de-prado-work-review · projetos 03 / 04 / 05
Validação cruzada
the claim
O que diz López de Prado
O k-fold padrão pressupõe observações IID, mas rótulos financeiros são construídos a partir de uma janela de barras futuras, então rótulos sobrepostos compartilham informação. Coloque uma dobra de teste no meio da série e os pontos de treino vizinhos invadem-na, o modelo treina nas respostas e a pontuação fica otimisticamente enviesada. As correções dele: purgar (purge) rótulos sobrepostos, aplicar um embargo (embargo) numa faixa após a dobra de teste e usar Combinatorial Purged CV (CPCV) para uma distribuição completa de caminhos out-of-sample.
our result
O que encontramos
O vazamento é real e direcionalmente correto, mas pequeno com um modelo sensato, menos de 2 pp mesmo com grande sobreposição, visível de forma limpa na AUC (não na acurácia). Tornamos explícita uma lei que LdP afirma implicitamente: a inflação acompanha H / tamanho-da-dobra, então rótulos de horizonte curto sobre históricos longos de ações quase não vazam. A lição maior é a do CPCV: a distribuição de caminhos out-of-sample abrange ~15 pp, ~50× o viés de vazamento, um backtest de divisão única é um sorteio quase sem sentido.
Triple-barrier e meta-labeling
the claim
O que diz López de Prado
Rotule por qual das três barreiras uma aposta escalada pela volatilidade toca primeiro (realização de lucro / stop / tempo máximo). Em seguida, o meta-labeling: um modelo primário fixa o lado, e um classificador secundário prevê se a aposta é lucrativa, decidindo se atuar e o tamanho, elevando a precisão e convertendo um primário de alto recall e baixa precisão em algo negociável.
our result
O que encontramos
O meta-labeling faz exatamente o que ele diz, eleva a precisão e o profit factor bruto em 38/42 instrumentos e empurra um primário que perde com custos rumo ao break-even. Mas, sobre um primário de cruzamento de EMA trivial, é um filtro de precisão, não uma fonte de alfa: 0 de 42 instrumentos superam DSR > 0,95. Um filtro só pode concentrar vantagem que já existe.
Rótulos de trend-scanning
the claim
O que diz López de Prado
Um horizonte de manutenção fixo é arbitrário e descarta informação. Para cada observação, tome o sinal da tendência local prospectiva mais estatisticamente significativa, o valor-t da inclinação OLS maximizado sobre uma faixa de horizontes prospectivos, e carregue essa significância como peso amostral, deixando os dados escolherem onde a tendência é mais clara.
our result
O que encontramos
Uma melhoria modesta e real no profit factor (supera o fixed-horizon em 28/42, p=0,022), mas não significativa depois de deflacionada, os sobreviventes com DSR>0,95 estão essencialmente empatados (19 vs 18). O efeito transferível é a faixa de horizonte prospectivo, não o rotulador: horizontes curtos de (5,30) barras colapsam em todos os mercados, enquanto (10,60)/(20,120) se sustentam. Uma sobreposição meta de triple-barrier não agrega valor deflacionado aqui.
Três estudos, três linhas
Validação cruzada
O k-fold padrão vaza; purgar remove o vazamento
O k-fold comum pontua o mesmo modelo de ML financeiro de forma otimista porque rótulos sobrepostos compartilham barras futuras. O viés aparece na AUC, onde a acurácia não o vê, e escala com a razão H/tamanho-da-dobra, até +1,69 pp de AUC em cripto de histórico curto, plano em ações de histórico longo. O purged k-fold + embargo o remove. E o CPCV mostra o problema mais profundo: sua distribuição out-of-sample abrange ~15 pp, cerca de 50× o viés de vazamento, então uma divisão é apenas um ponto arbitrário.
Meta-labeling
Um filtro de precisão, não alfa
Um modelo secundário que decide se atuar sobre um sinal primário eleva o profit factor bruto em 38/42 instrumentos e o DSR em 39/42, exatamente o ganho de precisão que López de Prado descreve. Mas 0 de 42 superam DSR>0,95, seja na variante primária ou na meta. O meta-labeling só pode concentrar a vantagem que o primário já tem; sobre um cruzamento trivial não há nada para concentrar numa vitória deflacionada.
Trend-scanning
A vantagem é o horizonte, não o rotulador
Rótulos de tendência escolhidos pelos dados superam os de fixed-horizon no profit factor em 28/42 instrumentos (teste de sinais p=0,022), mas não na métrica que conta: os sobreviventes com DSR>0,95 são 19 (trend-scan) vs 18 (fixo) vs 19 (triple-barrier), um empate. O que realmente importa é a faixa prospectiva: janelas curtas de (5,30) barras colapsam em todos os mercados; (10,60)/(20,120) se sustentam nos três.
A disciplina compartilhada
Os três estudos rodam sobre a mesma base: dados reais de 1 minuto transformados em barras orientadas por informação (dollar bars para cripto e ações, tick bars para forex), toda mudança de posição custeada (cripto 7 bp, ações 2 bp / spread realista, forex 1 bp / spread realista), todo objeto prospectivo confinado ao rótulo, todo modelo secundário treinado sob purged k-fold para que rótulos sobrepostos não vazem, e todo veredito lido a partir do Deflated Sharpe Ratio após uma contagem honesta de tentativas, nunca um único número de backtest.
O k-fold padrão vaza em finanças, e uma única divisão quase não significa nada
Rótulos financeiros são construídos a partir de uma janela de barras futuras, então dois rótulos cujas janelas se sobrepõem compartilham informação. Coloque uma dobra de teste no meio da série e os pontos de treino vizinhos invadem-na, o modelo é treinado nas respostas e a pontuação validada por validação cruzada sai otimisticamente enviesada.
As correções de López de Prado: purgar (purge) toda observação de treino cuja janela de rótulo se sobreponha à dobra de teste, embargo de uma pequena faixa logo após ela, e usar CPCV para recuperar toda uma distribuição de caminhos out-of-sample, em vez de um só.
A reprodução confirma as três afirmações e afia uma. O vazamento é real, mas é pequeno e sutil, alguns décimos de ponto percentual em horizontes típicos, o que é exatamente o que o torna perigoso: ele sobrevive a verificações ingênuas. É visível na AUC, que usa toda a probabilidade prevista, e praticamente invisível na acurácia, cujo ruído entre dobras (±0,5–1 pp) o encobre. Faça a auditoria de vazamento sobre uma métrica suave baseada em probabilidade, não sobre uma métrica com limiar.
A contribuição além do livro-texto é a lei de escala: a magnitude do vazamento acompanha a razão H / tamanho-da-dobra, não H sozinho. Uma dobra de teste é contaminada apenas em uma faixa de largura ~H em cada uma de suas duas fronteiras, então a fração contaminada é ~2H/(n/k). Cripto e forex de histórico curto (dobra ≈ 1,4k barras) vazam materialmente, a inflação de AUC sobe para +1,69 pp (cripto) e +1,07 pp (forex) com grande sobreposição, enquanto ações de histórico longo (dobra ≈ 7k barras) ficam planas: mesmo H=150 é só ~2% de uma dobra. Ações não são imunes; seus históricos longos mantêm a fração de fronteira minúscula. Purgue sempre, é grátis e correto, mas espere que o tamanho da correção escale com H/tamanho-da-dobra.
Veja o vazamento
O explorador codifica a grade de inflação de AUC medida pelo estudo. Deslize a sobreposição de rótulos H e leia a diferença vazado-menos-purgado por classe de ativo; o painel inferior mostra a nuvem out-of-sample do CPCV para o BTCUSDT, contra a divisão única que finge ser o backtest.
Demo, explorador de vazamento do k-fold
Deslize a sobreposição de rótulos H, o número de barras futuras que dois rótulos vizinhos compartilham, e veja o k-fold padrão pontuar o mesmo modelo de forma otimista contra uma divisão purgada + com embargo. A diferença é real e cresce com a razão H/tamanho-da-dobra: dispara em cripto e forex de histórico curto e fica plana em ações de histórico longo.
A inflação é a AUC que um k-fold padrão vazado reporta acima da divisão limpa purgada + embargo, em pontos percentuais (medida, a partir da grade do estudo). Quando a divisão é purgada corretamente, o vazamento é removido na origem: a leitura “limpa” é a honesta.
At H=50 o k-fold padrão superpontua cripto em +0.53 pp de AUC e forex em +0.45 pp, enquanto ações ficam essencialmente planas (-0.47 pp), a mesma lei H/tamanho-da-dobra, não imunidade de mercado. E qualquer que seja o vazamento, a nuvem do CPCV abaixo abrange ~15 pp de acurácia out-of-sample: uma divisão é um ponto arbitrário, cerca de 50× o viés de vazamento.
| Inflação de AUC (pp) · H = | 1 | 5 | 10 | 25 | 50 | 100 | 150 |
|---|---|---|---|---|---|---|---|
| crypto | 0.03 | 0.24 | 0.19 | 0.21 | 0.53 | 0.36 | 1.69 |
| equity | 0.02 | 0.04 | -0.01 | -0.09 | -0.47 | -0.46 | -0.03 |
| forex | 0.12 | 0.17 | -0.00 | 0.27 | 0.45 | 1.07 | 0.85 |
Inflação de AUC = k-fold padrão vazado − purgado+embargo, em pontos percentuais, média sobre os instrumentos de cada mercado. Positivo = a divisão vazada pontua o mesmo modelo alto demais. Cripto e forex sobem com H; ações ficam planas pela lei H/tamanho-da-dobra. O embargo, uma vez que os rótulos estão corretamente purgados, é uma salvaguarda menor de segunda ordem, mantenha-o em ~1%.
Código e dados
lopez-de-prado-work-review / projects / 04_cross_validation
Um filtro de precisão que resgata um perdedor ao break-even, mas nunca a uma vantagem deflacionada
Um sinal primário fixa o lado de cada aposta (aqui, um cruzamento estrutural de EMA). A rotulagem triple-barrier, realização de lucro, stop e um vertical de tempo máximo, pontuada pelo primeiro toque sobre o OHLC intra-barra completo, fornece o resultado realizado. Um classificador secundário então prevê P(a aposta é lucrativa) e decide se atuar e quanto; ele pode vetar e dimensionar, mas nunca inverter o lado.
A afirmação de López de Prado é que isso converte um primário de alto recall e baixa precisão em algo negociável. E converte, medido em 42 instrumentos, o ganho de precisão é real e quase universal.
A meta-camada faz exatamente o que o livro-texto diz: eleva a fração de apostas executadas que são lucrativas acima da taxa incondicional, eleva o profit factor em 38/42 instrumentos e o DSR em 39/42, e cerca de dobra a contagem de instrumentos com PF>1 (de 12 para 24). As curvas de capital são a imagem: o primário sangra continuamente com custos enquanto a linha meta fica quase plana vetando as apostas ruins.
E ainda assim 0 de 42 instrumentos superam DSR>0,95, seja na variante primária ou na meta. A leitura é o ponto do estudo: “melhoria bruta sobre um primário ruim” e “sobrevive à deflação” são réguas diferentes, e só a segunda conta. O meta-labeling é um filtro de precisão, não uma fonte de alfa. Ele só pode reter o melhor subconjunto das apostas que o primário já propõe; se essas apostas não carregam vantagem real líquida de custos, e um cruzamento de EMA trivial em mercados líquidos não carrega, não há nada para concentrar numa vitória deflacionada. O melhor resultado isolado (SPY, DSR meta 0,76) repousa sobre apenas 6 trades executados e é sinalizado como artefato de amostra pequena, deixado visível em vez de oculto. As ações chegam mais perto (maior ganho de precisão, DSR meta mediano 0,095), mas ainda ficam aquém.
| mercado | PF prim→meta | SR prim→meta | DSR prim→meta | DSR>0,95 | PBO |
|---|---|---|---|---|---|
| Cripto (27 perp) | 0,92 → 1,03 | −0,61 → +0,24 | 0,000 → 0,017 | 0 | 0,41 |
| Ações EUA (7 ETFs) | 0,75 → 1,03 | −0,68 → +0,31 | 0,000 → 0,095 | 0 | 0,38 |
| Forex (8 majors) | 0,85 → 0,94 | −1,13 → −0,27 | 0,000 → 0,000 | 0 | 0,19 |
Medianas por mercado, líquidas de custos; SR anualizado; o DSR é o destaque. A meta eleva PF e SR em todos os lugares, mas a contagem de sobreviventes com DSR>0,95 é 0 em todos os mercados, o filtro de precisão não tem vantagem real para concentrar.
Correção: meta-labeling sobre um primary que já tem vantagem
A conclusão acima, “um filtro de precision, não alfa”, foi medida sobre um primary sem vantagem: um simples cruzamento de EMA sem vantagem estabelecida líquida de custos. É exatamente o caso contra o qual López de Prado adverte. O meta-labeling dele tem uma pré-condição declarada: o primary precisa já ter vantagem (alto recall, precision medíocre), e o trabalho do secondary é elevar a precision vetando suas piores apostas. Um filtro só pode concentrar vantagem que já existe; sobre uma não-vantagem não há nada a concentrar. Portanto, o resultado nulo abrangente acima é uma afirmação sobre o primary, não sobre o método.
Para testar o método como especificado, substituímos o cruzamento trivial por uma vantagem estrutural comprovada de order-flow / open-interest , uma estratégia fechada e pré-validada, reaproveitada apenas para leitura através de seu motor verificado, e repetimos o aparato idêntico: desfechos de triple-barrier, um secondary de árvore sobre features causais, walk-forward purgado, custos por preenchimento, DSR como destaque. A única coisa que mudou foi a única que importava: o primary agora carrega uma vantagem real.
Com a pré-condição satisfeita, o secondary amplifica a vantagem em vez de resgatar um perdedor. Em uma amostra focada de dois pares, o profit factor sobe de 1,26 para 1,79 e o P&L médio por trade de 47 para 148 bp fora de amostra, líquido de custos por preenchimento. O portão mantém 64% das apostas da vantagem e veta a cauda de baixa confiança, elevando a taxa de apostas lucrativas de 53,0% para 63,6%, exatamente o ganho de precision que o livro-texto descreve, agora atuando sobre apostas que de fato carregam vantagem, de modo que aparece no P&L e não apenas numa matriz de confusão.
A métrica deflacionada também se move na direção certa: o DSR sobe de 0,64 para 0,78. Mas ainda fica abaixo da barra de publicação de 0,95 do programa. Esta é uma demonstração focada de dois pares; o ponto é a direção e o mecanismo da correção, ela inverte a alegação abrangente de “não é alfa”, não um novo troféu que passa na deflação. O ganho se mantém em ambos os pares individualmente (PF 1,32→1,49 e 1,23→1,96).
| braço (OOS, 2 pares) | trades | PF | bp por trade | SR anual | DSR |
|---|---|---|---|---|---|
| primary (vantagem sozinha) | 166 | 1,26 | 47,3 | 10,3 | 0,636 |
| meta (portão + tamanho por p) | 107 | 1,79 | 148,1 | 20,5 | 0,778 |
Fora de amostra, líquido de custos por preenchimento, amostra de dois pares. PF e P&L por trade sobem fortemente assim que o primary tem vantagem real; o DSR sobe 0,636→0,778 mas não ultrapassa a barra de 0,95. O destaque é a comparação primary-versus-meta sob a mesma deflação, não o nível absoluto do DSR.
Mas se dilui em escala
As magnitudes de dois pares não sobrevivem à amplitude. Aplicando o mesmo portão meta com pré-condição satisfeita sobre 6 vantagens estruturais fechadas × 26 pares perp (154 de 156 configurações produziram trades) e contando a família de tentativas honestamente, o ganho em grande parte se dilui. O profit factor mediano move apenas 0,967→0,986 (ganho mediano +0,02, contra +0,53 da amostra de dois pares) e o P&L mediano por trade move −5,9→−1,2 bp (ganho mediano +4,7 bp, contra +100 bp). A direção da correção sobrevive amplamente; a magnitude de destaque não generaliza.
E nada ultrapassa a deflação em escala. Apenas 1 de 154 configurações com portão meta ultrapassa DSR>0,95 (melhor sleeve único: funding squeeze em um par com meta DSR 0,983); o meta DSR mediano entre sleeves é apenas 0,1. Agrupar os sleeves com portão em uma única meta-estratégia fracamente correlacionada, deflacionada contra a dispersão das 156 configurações de fato pesquisadas, dá um DSR agrupado de 0,0 (benchmark 0,35, PF agrupado 0,98, 14.725 trades fora de amostra). Não ultrapassa a barra de 0,95.
A síntese honesta: a alegação abrangente de “não é alfa” era uma afirmação sobre o primary sem vantagem, não sobre o meta-labeling. Com a pré-condição de López de Prado satisfeita, o mecanismo é real e direcional, em uma amostra focada o secondary genuinamente amplifica um primary que já tem vantagem, aproximadamente triplicando o P&L por trade e elevando o profit factor de 1,26 para 1,79.
No entanto, não sobrevive à escala somada à deflação como vantagem negociável: a magnitude focada não generaliza pelas 156 configurações, e a meta-estratégia agrupada deflaciona a zero. A leitura corrigida é a que López de Prado de fato faz, com a pré-condição restaurada ao início da frase: o meta-labeling melhora uma vantagem que você já tem; não pode fabricar uma que você não tem, e melhorar uma vantagem em direção não é o mesmo que ultrapassar a barra de deflação em escala.
Código e dados
lopez-de-prado-work-review / projects / 03_meta_labeling
Um rótulo marginalmente melhor, mas a vantagem está no horizonte, não no rotulador
Em vez de um horizonte de manutenção fixo, o trend-scanning regride o log-preço sobre o tempo em cada janela prospectiva de uma faixa e rotula cada observação com o sinal da tendência local mais estatisticamente significativa, o valor-t da inclinação OLS maximizado sobre o horizonte. Os dados escolhem o horizonte em que a tendência é mais clara, e a significância vira peso amostral.
O confronto direto: isto cria um alvo supervisionado melhor do que o rotulador fixed-horizon que ele deveria superar, e do que uma sobreposição meta triple-barrier, alimentando um único e idêntico modelo secundário?
O trend-scanning é uma melhoria modesta e real no profit factor: supera o fixed-horizon em 28/42 instrumentos (teste de sinais p=0,022). O horizonte escolhido pelos dados é genuíno, o L* vencedor varia de 24 a 111 barras e acompanha a faixa, não um canto. Mas na métrica que conta é um empate: os sobreviventes com DSR>0,95 são 19 (trend-scan) vs 18 (fixed-horizon), e a taxa de vitória em DSR do trend-scan (21/42, p=0,56) não é significativa. Uma sobreposição meta triple-barrier não agrega valor deflacionado aqui e é significativamente pior no DSR (p=0,9995), suas barreiras simétricas quase nunca são tocadas, então o meta-modelo atua ~97% do tempo e apenas infla a dispersão de tentativas.
O achado transferível é a curva de robustez: a vantagem depende de uma janela prospectiva longa o suficiente, não do rotulador. As faixas (10,60) e (20,120) são robustamente fortes (DSR mediano 0,83–1,00, PF>1) nos três mercados; a faixa curta (5,30) colapsa, ações vão para DSR 0 / PF 0,79, cripto cai à metade, porque janelas curtas são dominadas por ruído de microestrutura e custo por giro. (Uma nota técnica que vale destacar: com essas contagens altas de eventos o DSR satura em {0,1} por instrumento, então o resumo honesto é a contagem de sobreviventes e o teste de sinais, não o DSR mediano.)
| mercado | PF fix→TS | SR_ann (TS) | DSR fix→TS | DSR>0,95 fix/TS | PBO (TS) |
|---|---|---|---|---|---|
| Cripto (27 perp) | 1,22 → 1,36 | 4,88 | 0,508 → 0,376 | 11 / 12 | 0,46 |
| Ações EUA (7 ETFs) | 1,86 → 1,89 | 4,03 | 0,004 → 0,340 | 3 / 3 | 0,06 |
| Forex (8 majors) | 1,50 → 1,46 | 7,99 | 0,753 → 0,853 | 4 / 4 | 0,47 |
Medianas por mercado (corrida de aprofundamento), líquidas de custos realistas; SR anualizado. O trend-scan eleva o PF sobre o fixed-horizon, mas as contagens de sobreviventes com DSR>0,95 estão essencialmente empatadas (19 vs 18 nos 42).
| DSR do trend-scan · faixa prospectiva | (5,30) | (10,60) | (20,120) |
|---|---|---|---|
| Cripto | 0,497 | 0,833 | 0,882 |
| Ações EUA | 0,000 | 0,981 | 1,000 |
| Forex | 0,972 | 0,997 | 1,000 |
DSR do trend-scan deflacionado dentro de cada faixa sobre suas três tentativas por quantil. A faixa curta (5,30) colapsa; as faixas mais largas se sustentam nos três mercados, a vantagem está no comprimento do horizonte, não no rotulador.
Código e dados
lopez-de-prado-work-review / projects / 05_trend_scanning
O fio condutor
Três estudos, uma lição. Como você valida decide se você consegue sequer ver um resultado honestamente: o k-fold padrão infla silenciosamente a pontuação, e mesmo uma divisão única limpa é um sorteio de uma distribuição que abrange ~50× o vazamento que corrige. Como você rotula decide que vantagem há para encontrar: um filtro de precisão que veta apostas ruins, ou um horizonte mais inteligente para a tendência, ambas melhorias reais nos números brutos, nenhuma suficiente para fabricar uma vantagem deflacionada por si só.
O fio comum é a régua. Em 42 instrumentos de três classes de ativos, totalmente custeados e com vazamento controlado, os métodos fazem exatamente o que a literatura diz, e então o Deflated Sharpe Ratio dissolve a maior parte do ganho aparente. Essa lacuna, entre “melhora o backtest” e “sobrevive à deflação”, é todo o sentido de acertar na rotulagem e na validação cruzada.
Método, em resumo
- Dados reais de 1 minuto → barras orientadas por informação (dollar bars para cripto/ações dentro do horário regular, tick bars para forex); ~20k barras por instrumento.
- Toda mudança de posição custeada (cripto 7 bp; ações/forex um spread por horário do dia + camada realista de comissão ou 2 bp/1 bp); as varreduras triple-barrier usam o OHLC intra-barra completo, nunca só o fechamento.
- Apenas features causais; o único objeto prospectivo é o rótulo. Modelos secundários treinados sob purged k-fold com embargo de 1% para que rótulos sobrepostos não vazem.
- Vereditos lidos a partir do Deflated Sharpe Ratio após uma contagem honesta de tentativas, com PBO e N-efetivo como diagnósticos de deflação de apoio, nunca um único número de backtest.
- Laços críticos (construção de rótulos, primeiro toque do triple-barrier, varredura OLS-t multi-horizonte) implementados como kernels Numba e verificados bit-a-bit idênticos contra referências independentes; o ajuste do modelo, corretamente, permanece o gargalo.
Citar
Referências
As fontes primárias dos métodos reproduzidos aqui:
- López de Prado, M. (2018). Advances in Financial Machine Learning. Wiley. Ch. 3 (labeling & meta-labeling), Ch. 4 (sample weights), Ch. 7 (cross-validation in finance) and Ch. 12 (backtesting through cross-validation / CPCV).
- López de Prado, M. (2020). Machine Learning for Asset Managers. Cambridge University Press. Ch. 5 (trend-scanning labels).
- Bailey, D. H., & López de Prado, M. (2014). The Deflated Sharpe Ratio: Correcting for Selection Bias, Backtest Overfitting, and Non-Normality. Journal of Portfolio Management, 40(5).
- Bailey, D. H., Borwein, J., López de Prado, M., & Zhu, Q. J. (2017). The Probability of Backtest Overfitting. Journal of Computational Finance, 20(4).
Veja também
Estes estudos compartilham a régua do Deflated Sharpe desenvolvida em Backtest Overfitting & the Deflated Sharpe Ratio, e as barras orientadas por informação de Information-Driven Bars. O corpo de trabalho mais amplo está em Research.