Overfitting é ajustar os parâmetros de um EA com tanta precisão a dados históricos que a estratégia brilha no backtest e decepciona em dados inéditos, porque explora ruído em vez de padrões reais de mercado.
também: sobreajuste, ajuste de curva, viés de mineração de dados
Atualizado · Revisado
Em palavras simples
Ajustar as regras até que se encaixem no passado tão de perto que aprenderam seus acidentes em vez de seus padrões. O backtest melhora enquanto a estratégia piora, e nada no relatório distingue as duas coisas.
Por que importa
Overfitting é o modo de falha que produz evidências lindas, e é por isso que ele sobrevive a uma revisão que uma estratégia ruim não passaria. Cada passagem de otimização melhora o resultado reportado, melhore ou não a estratégia; um processo que só olha o resultado reportado não consegue notar a diferença.
✓Explica a decepção mais comum com um EA: backtest excelente, conta real medíocre ou perdedora, e nenhum bug a encontrar. Nada quebrou — o ajuste estava medindo a amostra.
✓Piora quanto mais se trabalha. Mais parâmetros, mais passagens de otimização e mais estratégias candidatas aumentam a chance de que a vencedora tenha vencido se ajustando ao ruído.
✓Não dá para detectar pela corrida vencedora. A única evidência que separa uma vantagem real de uma ajustada é o desempenho em dados que o ajuste nunca viu, e eles precisam ser reservados antes de o ajuste começar.
Usando para validar uma estratégia
Onde é usado
Julgar se o backtest publicado de um EA é evidência de vantagem ou evidência de ajuste.
Decidir quantos parâmetros uma estratégia pode ter antes mesmo de ser otimizada.
Interpretar a diferença entre resultados dentro e fora da amostra em uma corrida walk-forward.
Explicar por que uma estratégia que liderou uma tabela de otimização se degrada assim que entra em operação.
Como é um resultado confiável
✓A janela reportada inclui dados que ficaram intocados enquanto os parâmetros eram escolhidos.
✓A estratégia tem poucos parâmetros, e cada um corresponde a algo que um trader saberia explicar sem recorrer ao backtest.
✓Valores de parâmetros vizinhos rendem de forma parecida. Uma vantagem que só sobrevive em um único ajuste é propriedade da amostra.
✓As regras funcionam, com os mesmos ajustes, em instrumentos e períodos sobre os quais não foram selecionadas.
✓Sabe-se quantas estratégias foram testadas antes desta, porque do vencedor de uma busca ampla se espera que pareça bom por acaso.
Sinais de alerta
!Parâmetros com precisão implausível — uma média de 37 períodos, um stop de 23,7 pips — onde um valor redondo renderia quase o mesmo se a vantagem fosse real.
!Uma taxa de acerto acima de 90 % ou um Sharpe acima de 3 num backtest de vários anos sem registro forward.
!Resultados mostrados apenas no único instrumento e na única janela sobre os quais os parâmetros foram selecionados.
!Uma superfície de desempenho com um pico isolado e agudo em vez de um platô amplo.
!Nenhuma menção a quantas variantes foram testadas antes desta publicada.
Backtest x operação real
A conta real é o primeiro teste genuinamente fora da amostra, e por isso a queda aparece de imediato em vez de gradualmente.
Uma estratégia ajustada costuma se degradar rumo ao ponto de equilíbrio menos custos em vez de uma perda dramática, o que facilita explicá-la como uma fase ruim.
O tamanho da diferença entre a amostra e a conta real é a medição. Uma queda moderada é normal em qualquer estratégia; atravessar o ponto de equilíbrio é a assinatura.
Reotimizar depois da queda restaura o backtest e repete o ciclo, que é a armadilha criada pelo próprio processo.
Método de validação recomendado
1Reserve uma janela fora da amostra antes de tocar em qualquer parâmetro, e olhe para ela uma única vez, no fim.
2Prefira poucos parâmetros com significados defensáveis a muitos parâmetros com resultados melhores.
3Verifique a vizinhança, não o pico: pegue o centro de um platô amplo em vez do topo de uma agulha.
4Reteste os ajustes finalizados em outros instrumentos e outros períodos sem retocá-los.
5Use análise walk-forward quando a estratégia realmente precisar ser reajustada ao longo do tempo, para que o reajuste faça parte do que está sendo testado.
Exemplo
Um otimizador reporta os dez melhores conjuntos de parâmetros de uma estratégia. A linha do topo é a que se publica; é o formato da tabela ao redor dela que realmente diz se a vantagem é real.
Melhor ajuste dentro da amostra (período 37)
PF 2,41
Ajustes vizinhos (períodos 35–39)
PF 0,94–1,06
Um único passo destrói o resultado — o pico é uma agulha, não um platô.
Mesmo ajuste, janela fora da amostra intocada
PF 0,88
Uma vantagem real se degrada suavemente conforme os parâmetros se afastam do ótimo. Uma ajustada despenca de um precipício, e o precipício é visível antes de gastar um único dado fora da amostra.
Cálculo2,41 dentro da amostra → 0,88 fora da amostra, enquanto os vizinhos ficam no equilíbrio
ResultadoO 2,41 era propriedade da janela, não das regras
Como interpretar
Overfitting se diagnostica pelo processo que produziu o resultado, não pelo resultado. Pergunte o que foi ajustado, sobre o quê, e o que foi guardado.
Faixa
O que significa
Uma janela, todos os parâmetros otimizados, nada reservado
O relatório não tem valor probatório sobre o futuro. Ele descreve o quanto as regras podem ser dobradas a uma amostra.
Janela fora da amostra reportada mas reutilizada após cada ajuste
A reserva foi gasta. Assim que seus resultados realimentam o ajuste, ela também é dentro da amostra.
Uma única janela fora da amostra intocada, olhada uma vez
O padrão mínimo. Interprete a diferença em vez do nível.
Walk-forward com platô de parâmetros amplo e checagens entre instrumentos
A evidência mais forte disponível antes de operar em real, porque o próprio reajuste foi testado.
Conte as estratégias testadas, não só os parâmetros. Testar duzentas ideias e publicar a melhor é uma busca cujo vencedor se espera que pareça bom por sorte.
Arredonde os parâmetros publicados e rode de novo. Se o resultado sobreviver em boa parte, a precisão era cosmética; se desabar, a precisão era a vantagem.
Julgue a superfície de parâmetros em vez do pico. A largura é a propriedade que se transfere a dados inéditos.
Os anúncios do mt5depot informam a janela de dados, o modelo do testador e o número de operações, de modo que o leitor possa fazer as perguntas acima em vez de aceitar a curva.
Erros comuns
✕Reutilizar a janela fora da amostra
Toda vez que um resultado da janela reservada orienta mais um ajuste, essa janela passa a fazer parte dos dados de treino. Depois de algumas rodadas não sobra nada fora da amostra, e o processo parece mais rigoroso enquanto prova menos.
✕Tomar um Sharpe alto ou uma taxa de acerto alta como prova contra overfitting
São exatamente os números que o ajuste infla. Um Sharpe dentro da amostra acima de 3 num EA de varejo é mais provavelmente um sintoma do que um alívio.
✕Acreditar que poucos parâmetros tornam uma estratégia segura
A quantidade de parâmetros é um caminho; a seleção de estratégias é outro. Escolher a melhor entre duzentas estratégias simples na mesma janela ajusta a amostra com a mesma eficácia que afinar uma única estratégia complicada.
✕Reotimizar quando o desempenho real decepciona
Isso restaura o backtest e repete o fracasso, porque o novo ajuste sai do mesmo processo que produziu o anterior. A primeira pergunta a responder é se a vantagem original alguma vez esteve fora da amostra.
Em detalhe
O que catorze backtests publicados podem e não podem resolver
Sobre os 14 EAs publicados aqui
Valor
Profit factor dentro da amostra
1,27–1,52
Anúncios com profit factor abaixo de 1,00
0
Com bloco fora da amostra reportado
11
Retorno fora da amostra
−0,57 % a +3,01 %
Blocos fora da amostra com prejuízo
2
Corridas verificadas em conta com dinheiro real
0
Leia a última linha antes da primeira. Um backtest contínuo ainda roda sobre histórico
que alguém poderia ter inspecionado, então nada acima está fora da amostra no sentido
que decide alguma coisa — e três EAs anunciaram uma data de início de reserva e não
publicaram resultado algum desde então, que é a cara do viés de publicação visto por
dentro.
O ponto fraco é o tamanho, não o sinal. O registro mediano dentro da amostra aqui é de
362 operações fechadas; o bloco reservado mediano tem 21. Uma corrida tão curta não
consegue separar uma vantagem de um trimestre calmo, e por isso os pequenos negativos
(−0,57 %, −0,47 %) não carregam mais veredicto do que os positivos.
O menu suspenso Forward do Testador de Estratégia (No, 1/2, 1/3, 1/4, Custom) divide o
intervalo por você. Ele não impede que você releia a metade da frente após cada passagem
de otimização, e é essa releitura que a gasta. Coloque Forward em Custom com a data em
que você parou de olhar — 2026-04-01 para dez dos blocos acima — e a reserva vale apenas
o que cai dentro dela: 142 operações no Cairn, 40 no seguinte, números de um dígito em
dois.
Perguntas frequentes
Como sei se um EA está em overfitting antes de comprá-lo?
Olhe o processo em vez da curva. Pergunte se alguma janela foi retida enquanto os parâmetros eram escolhidos, se os ajustes são redondos ou implausivelmente precisos, se valores vizinhos rendem de forma parecida e se as regras já foram testadas num instrumento sobre o qual não foram selecionadas. Uma pergunta sem resposta aqui já é a resposta.
Usar menos parâmetros evita o overfitting?
Ajuda, mas não evita. Selecionar a estratégia de melhor desempenho entre muitas candidatas nos mesmos dados ajusta esses dados mesmo que cada candidata seja simples, então o número de ideias testadas importa tanto quanto o número de botões de qualquer uma delas.
Otimizar é sempre ruim?
Não — uma estratégia precisa receber algum ajuste, e escolhê-lo a partir do histórico é razoável. O que separa otimização de overfitting é se algo foi reservado para conferir a escolha, e se o ajuste escolhido fica num platô amplo em vez de numa agulha.