O problema da comparação
Como comparar o RSI com a taxa de financiamento (funding rate)? O RSI vai de 0 a 100. A taxa de financiamento pode ir de -0.3% a +0.3%. Os contratos em aberto (open interest) podem equivaler a algo entre 50,000 e 500,000 BTC.
Não dá para comparar esses números diretamente. Dizer "RSI em 30 e financiamento em 0.1%" não mostra qual dos dois está mais extremo. Um RSI de 30 pesa mais que um financiamento de 0.1%? Depende do contexto.
Esse é o problema da comparação, e a normalização z-score resolve isso.
O que é um z-score?
O z-score diz a quantos desvios-padrão um valor está da sua média.
A fórmula é simples: z = (x - média) / desvio_padrão
Se o RSI atual é 30, a média no seu período de lookback (a janela de histórico usada no cálculo) é 50 e o desvio-padrão é 10, então: z = (30 - 50) / 10 = -2.0
Esse -2.0 significa que o RSI atual está 2 desvios-padrão abaixo da média.
Agora aplique a mesma lógica à taxa de financiamento. Se o financiamento atual é 0.05%, a média é 0.02% e o desvio-padrão é 0.03%: z = (0.05 - 0.02) / 0.03 = 1.0
Agora dá para comparar: o RSI em -2.0 sigma está mais extremo que o financiamento em +1.0 sigma. Você está falando a mesma língua.
Por que os z-scores importam na descoberta
Quando você combina indicadores para encontrar edges (vantagens estatísticas), precisa de uma escala comum. Veja esta definição de edge:
"Entre LONG quando o z-score do financiamento cair abaixo de -2 E o preço estiver em um nível de liquidação E o DPO indicar sobrevenda."
Todas as condições usam z-scores. Você percebe na hora que -2 significa "dois desvios-padrão abaixo do normal". As condições são comparáveis e interpretáveis.
Sem normalização, você teria limiares arbitrários que não se traduzem entre indicadores:
"Entre LONG quando financiamento < 0.01% E preço a até 1% da liquidação E DPO < -15."
O que significa DPO < -15? Isso é extremo? Você não tem nenhuma intuição sem conhecer a distribuição histórica do DPO.
Os z-scores dão essa intuição automaticamente.
Z-scores móveis para operar ao vivo
Um ponto crítico: para operar ao vivo, você precisa de z-scores móveis, não estáticos.
Um z-score estático usa a média e o desvio-padrão de todo o seu histórico de dados. Isso serve no backtesting, mas é um problema ao vivo—as condições de mercado mudam, e o que era "normal" em 2021 não é normal em 2025.
Os z-scores móveis recalculam a média e o desvio-padrão em uma janela recente. Se o seu lookback é de 30 dias, você está perguntando: "Quão extremo é o valor de hoje em comparação com os últimos 30 dias?"
Isso mantém sua normalização adaptativa. A volatilidade dobrou? Seu desvio-padrão móvel se ajusta. Novo patamar para a taxa de financiamento? Sua média móvel se ajusta.
A implementação fica assim (conceitualmente):
- Para cada indicador, mantenha uma janela móvel de valores (por exemplo, os últimos 720 candles de uma hora, que equivalem a 30 dias)
- Calcule a média e o desvio-padrão dessa janela
- Z-score = (valor_atual - média_móvel) / desvio_padrão_móvel
Seus z-scores são sempre relativos às condições recentes do mercado.
Como escolher o período de lookback
Qual deve ser a duração do seu período de lookback? Essa é uma das escolhas mais importantes na normalização z-score.
Curto demais (< 7 dias):
- Ruidoso—amostra pequena significa estatísticas instáveis
- Movimentos extremos parecem menos extremos (memória recente)
- Alta taxa de falsos positivos
Longo demais (> 90 dias):
- Demora a se adaptar a mudanças de regime
- Dados antigos podem não refletir as condições atuais
- Os extremos reais ficam diluídos
Ponto ideal (normalmente 14-30 dias):
- Amostras suficientes para estatísticas estáveis
- Recente o bastante para refletir o regime atual
- Equilibra sensibilidade e estabilidade
Normalmente usamos lookbacks de 20-30 dias para a maioria dos indicadores. Mas isso não é universal—alguns indicadores se beneficiam de janelas mais longas ou mais curtas. Teste períodos diferentes durante a descoberta.
Como lidar com casos-limite
A normalização z-score tem algumas pegadinhas:
Desvio-padrão zero: se um indicador fica completamente plano durante o seu lookback, o desvio-padrão é zero e a divisão falha. Resolva isso definindo o z-score como 0 quando o desvio-padrão estiver abaixo de um limiar.
Dados não estacionários: alguns indicadores têm tendência ao longo do tempo (como os contratos em aberto totais, que crescem à medida que um mercado amadurece). Remover a tendência antes de calcular o z-score ajuda, mas aumenta a complexidade.
Caudas pesadas: dados financeiros costumam ter caudas mais grossas que as de uma distribuição normal. Um z-score de -3 pode acontecer com mais frequência do que a matemática da distribuição normal sugere. Não assuma que 99.7% dos valores ficam dentro de ±3 sigma—em cripto, eles não ficam.
Outliers: eventos extremos (flash crashes, squeezes enormes) criam outliers que distorcem as estatísticas móveis. Algumas implementações usam estatísticas robustas (mediana/MAD em vez de média/desvio-padrão) para reduzir o impacto dos outliers.
Exemplos de transformação
Vamos normalizar, passo a passo, três indicadores reais:
Taxa de financiamento
- Valores brutos: vão de -0.3% a +0.3% e costumam se concentrar em torno de 0.01%
- Depois do z-score: centrados em 0, com extremos em ±3 ou mais
- Interpretação: z > 2 significa financiamento excepcionalmente alto (os Longs estão pagando caro)
Variação dos contratos em aberto
- Valores brutos: podem ir de -10% a +10% de variação diária
- Depois do z-score: mostra se a variação do OI hoje é incomum em relação às variações recentes do OI
- Interpretação: z > 2 significa OI subindo mais rápido que o normal
CVD (delta de volume acumulado)
- Valores brutos: unidades arbitrárias, que dependem da corretora
- Depois do z-score: mostra se a pressão de compra/venda está extrema em relação ao histórico recente
- Interpretação: z < -2 significa pressão vendedora incomum
Depois da normalização, você pode escrever regras como "financiamento_z > 2 E cvd_z < -1"—os dois limiares estão na mesma escala.
O DataFrame unificado de indicadores
Na prática, mantemos um dataframe unificado em que cada coluna de indicador tem uma coluna de z-score correspondente:
| timestamp | financiamento | financiamento_z | oi | oi_z | cvd | cvd_z | ... |
|---|---|---|---|---|---|---|---|
| ... | 0.012% | 1.3 | 450000 | 0.8 | -5000 | -2.1 | ... |
A descoberta, então, trabalha sobre as colunas de z-score. As condições de edge são definidas inteiramente em termos de limiares de z-score.
Essa padronização é o que nos permite testar milhões de combinações de forma programática—todo indicador fala a mesma língua.
Principais lições
- Os z-scores tornam indicadores diferentes comparáveis ao medir o quanto um valor é "extremo" em desvios-padrão
- Use z-scores móveis para operar ao vivo e se adaptar às mudanças de condição
- Um período de lookback de 14-30 dias costuma funcionar bem, mas teste para os seus indicadores específicos
- Trate os casos-limite (desvio-padrão zero, outliers, não estacionariedade)
- Depois da normalização, todas as suas condições de edge usam uma escala comum
A normalização z-score é infraestrutura fundamental. Toda aula daqui em diante pressupõe que seus indicadores estão normalizados. É a língua comum que torna possível a descoberta sistemática de edges.