TARGETHIT!

Mais

Comunidade

Tema

Idioma

Escola de trading quantitativo/Descoberta/Normalização z-score: todos os indicadores na mesma escala
Descoberta10 min de leitura

Normalização z-score: todos os indicadores na mesma escala

Como tornar qualquer indicador comparável

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):

  1. Para cada indicador, mantenha uma janela móvel de valores (por exemplo, os últimos 720 candles de uma hora, que equivalem a 30 dias)
  2. Calcule a média e o desvio-padrão dessa janela
  3. 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:

timestampfinanciamentofinanciamento_zoioi_zcvdcvd_z...
...0.012%1.34500000.8-5000-2.1...

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

  1. Os z-scores tornam indicadores diferentes comparáveis ao medir o quanto um valor é "extremo" em desvios-padrão
  2. Use z-scores móveis para operar ao vivo e se adaptar às mudanças de condição
  3. Um período de lookback de 14-30 dias costuma funcionar bem, mas teste para os seus indicadores específicos
  4. Trate os casos-limite (desvio-padrão zero, outliers, não estacionariedade)
  5. 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.