LSTM e modelos de sequência

Redes neurais padrão tratam cada entrada de forma independente e não têm noção de ordem. Mas um histórico de preços é uma sequência — a ordem é a informação. As redes neurais recorrentes (RNNs), e especialmente a LSTM (Long Short-Term Memory), foram feitas para modelar sequências, e a LSTM é o modelo que a ForecastingStocks usa para suas previsões de horizonte mais longo.

O que torna uma LSTM diferente

Uma LSTM processa uma sequência um passo de cada vez enquanto mantém uma memória (um 'estado de célula') que carrega informação adiante. Crucialmente, ela tem portões (gates) aprendíveis que decidem:

• que nova informação armazenar,
• que informação antiga esquecer,
• o que emitir a cada passo.

Esse mecanismo de portões deixa a rede lembrar de contexto relevante por longos trechos — por exemplo, que a volatilidade disparou vinte dias atrás — enquanto descarta ruído. RNNs simples têm dificuldade com memória longa porque o sinal de aprendizado se dissipa ao longo de muitos passos (o 'gradiente que desaparece'); os portões da LSTM foram inventados precisamente para corrigir isso.

Por que combina com dados de preço

Os mercados têm memória: agrupamento de volatilidade, momentum, persistência de regime. Uma LSTM pode, em princípio, aprender essas dependências temporais diretamente de sequências brutas de retornos, sem um humano codificar indicadores à mão.

A ressalva honesta — mesmo para o nosso próprio modelo

Os mesmos perigos da lição anterior se aplicam com força total, mais um: é perigosamente fácil vazar informação do futuro para um modelo de sequência por janelamento ou escalonamento descuidados, produzindo um backtest que não pode ser reproduzido ao vivo. A ForecastingStocks trata a saída da sua LSTM como um insumo probabilístico entre vários, nunca uma garantia — e toda previsão na plataforma deve ser lida assim. Um modelo que ajustou o passado não é uma promessa sobre o futuro.