Pesquisa
Pesquisa É o Produto, Não o Marketing
O machine learning financeiro é fácil de enganar e é fácil se enganar com ele. Grande parte do que parece uma vantagem em um backtest é vazamento de dados, sorte, ou uma regra de avaliação que mudou silenciosamente. Nosso processo de pesquisa existe para descartar isso antes que algo receba confiança.
Por que o ML financeiro precisa de controles fortes contra vazamento
Um modelo que viu, mesmo que indiretamente, informação do futuro parecerá melhor do que realmente é. Como os dados de mercado são sequenciais e autocorrelacionados, é fácil introduzir vazamento por acidente — por meio de um scaler compartilhado, uma feature construída com uma janela voltada para o futuro, ou uma label que espia além do ponto de decisão. Tratamos a prevenção de vazamento como um requisito de engenharia de primeira classe, não como uma reflexão tardia.
Teste cronológico
Toda divisão, ajuste e etapa de avaliação segue a ordem do tempo. Nada de um período posterior é usado para informar uma decisão anterior, incluindo o pré-processamento e a seleção de hiperparâmetros.
A aceitação de Pesquisa e Produção são separadas
Um método com bom desempenho em pesquisa é um resultado de pesquisa, não uma afirmação de Produção. A promoção da pesquisa para qualquer status de maior confiança é uma decisão distinta e explícita — nunca inferida automaticamente a partir de uma boa métrica.
Resultados negativos
A maioria dos métodos testados não se qualifica. Registramos o motivo: qual verificação falhou, qual suposição foi quebrada, qual evidência foi insuficiente. Um resultado negativo compreendido vale mais do que um resultado positivo incompreendido.
Comparação de modelos e métodos
Modelos e métodos candidatos são comparados sob as mesmas regras congeladas e os mesmos limites de dados, para que as diferenças reflitam o método — e não uma configuração de avaliação inconsistente.
Auditorias independentes
Conclusões materiais de pesquisa são revisadas por alguém que não construiu o que está sendo revisado, verificando hashes, divisões, predições e métricas em vez de confiar em um autorrelato.
Robustez e reconstrução causal
Métodos aceitos são submetidos a testes de estresse contra mudanças de nível e escala, ruído, dados ausentes e extrapolação temporal, e as features são reconstruídas para refletir apenas a informação causalmente disponível em cada ponto no tempo.
Por que experimentos fracassados melhoram o sistema
Um método rejeitado ainda nos ensina algo sobre os dados, o regime de mercado, ou um ponto cego em nosso próprio processo. Publicar essa lição faz parte do Build in Public — e parte da razão pela qual nossos resultados aceitos podem ser confiados mais, não menos.
A Escada de Evidências
Um resultado não se torna uma afirmação por ser interessante. Ele sobe esta escada — um degrau de cada vez, em ordem — ou não é promovido.
Hipótese
Uma ideia ou método candidato é formalizado sob um contrato explícito e versionado antes que qualquer dado seja tocado.
Backtest
A ideia é testada contra dados históricos sob regras de avaliação congeladas e seguras contra vazamento, definidas antes que o resultado seja visto.
Validação walk-forward segura contra vazamento
A validação cronológica e reconstruída causalmente confirma que o resultado não é um artefato da própria configuração de avaliação.
Auditoria independente
Um revisor que não construiu o método verifica hashes, divisões, predições e métricas — não um autorrelato.
Aprovação final
Uma decisão distinta e explícita aceita, rejeita ou devolve o resultado para mais trabalho. Nada se promove sozinho.
Observação live-paper
Somente após a aceitação um método é observado contra mercados ao vivo — ainda virtual, ainda reportado publicamente.
Nossa Posição
A Tantoryn AI não tenta reinventar o machine learning. Usamos pesquisas sólidas já existentes e métodos comprovados, e então aplicamos validação causal específica da Tantoryn, segura contra vazamento, e testes de compatibilidade antes que qualquer coisa receba confiança para decisões reais de mercado.
Além da disciplina de pesquisa, veja os relatórios ao vivo MAIN/SHADOW →