Em palavras simples — Contar 500 trades não significa possuir 500 informações independentes. Operações próximas, sobrepostas ou expostas ao mesmo regime podem repetir o mesmo evento.
O tamanho da amostra é a quantidade de observações usada para estimar uma relação ou métrica. Em trading, a contagem bruta raramente descreve toda a informação: retornos são dependentes, trades se sobrepõem, lucros se concentram em poucos episódios e regimes mudam. A pergunta útil é quanta informação efetiva e representativa a amostra contém para a decisão analisada.
Observação, trade e unidade informativa
Uma observação pode ser retorno diário, forecast, ativo num cross-section, trade concluído ou episódio de mercado. A unidade precisa corresponder à hipótese. Dividir uma posição mantida dez dias em dez linhas não cria dez experimentos independentes; cem ações no mesmo choque macro tampouco equivalem automaticamente a cem histórias.
Dependência e amostra efetiva
Sob condições simplificadas, uma aproximação para autocorrelação usa:
N_eff ≈ N / (1 + 2 × Σ ρ_k)ρ_k representa autocorrelação em diferentes defasagens. A fórmula
é ilustrativa e pode ser inadequada com não estacionariedade, caudas, clusters
ou dependência cross-sectional. Seu papel é mostrar que dependência positiva
reduz a informação efetiva; a contagem bruta não basta.
A precisão depende da métrica
Win rate, média, Sharpe, drawdown e probabilidade de cauda usam aspectos diferentes da distribuição. A mesma amostra pode estimar razoavelmente uma média e muito mal um evento raro. Sharpe depende de autocorrelação e forma da distribuição; drawdown depende do caminho e da janela; métricas por trade dependem de como operações sobrepostas são definidas.
Intervalos de confiança, bootstrap ou erros robustos precisam preservar a estrutura relevante. Um intervalo estreito calculado com hipótese de independência errada não cria precisão real.
Regimes, cobertura e representatividade
Uma série longa pode conter apenas um regime relevante; uma curta pode atravessar vários choques. Avaliam-se mercados, volatilidade, liquidez, tendências, crises, mudanças regulatórias e versões da infraestrutura. Cobertura não significa forçar o mesmo peso a todo período, mas tornar visível onde a evidência existe.
Expandir para mais ativos só acrescenta informação se a hipótese e a implementação forem comparáveis. Misturar mercados heterogêneos pode aumentar N e reduzir a validade econômica.
Protocolo de adequação
- Definir unidade observacional e horizonte.
- Mapear sobreposição temporal e exposições comuns.
- Medir autocorrelação, clusters e concentração dos resultados.
- Relacionar precisão à métrica e ao risco que importa.
- Mostrar subperíodos, ativos e regimes, sem selecionar só os favoráveis.
- Considerar o número de modelos testados.
- Usar intervalos ou reamostragem compatíveis com dependência.
- Declarar quais eventos raros não aparecem na amostra.
Exemplo ilustrativo
Uma estratégia registra 400 trades, mas 250 ocorreram em quatro episódios de
alta volatilidade e muitas posições foram mantidas simultaneamente. A contagem
não sustenta 400 apostas independentes. Uma análise agrupa episódios, mede
exposições comuns, compara resultados com e sem cada cluster e amplia a
incerteza. Não existe conversão automática de 400 para um único N_eff.
Dependência, clusters e decisões sequenciais
Milhares de barras não significam milhares de observações independentes. Retornos próximos compartilham regime; posições com vários dias geram labels sobrepostas; ativos de um setor reagem ao mesmo evento. O tamanho efetivo cai com autocorrelação ou dependência cross-section. Intervalos e reamostragens devem respeitar blocos temporais ou clusters econômicos, não embaralhar linhas como se fossem independentes.
A amostra também é consumida durante a pesquisa. Cada inspeção, mudança de parâmetro ou escolha de universo usa informação. Um holdout consultado repetidamente deixa de ser evidência nova. O registro das decisões e um teste prospectivo separam quantidade bruta de dados da quantidade ainda disponível para avaliação.
Não existe mínimo universal de trades. A pergunta é quanta incerteza permanece para a métrica e o risco relevantes. Estratégias com caudas, baixa frequência ou exposição a regimes podem exigir horizontes maiores; quando isso não é possível, a conclusão deve ser mais estreita e os limites declarados.
Também importa a cobertura econômica. Cem operações concentradas em uma única fase de liquidez não equivalem a cem decisões distribuídas entre expansões, contrações e choques. Subperíodos não devem ser inventados até encontrar uma narrativa favorável, mas regimes definidos previamente ajudam a mostrar quais condições a amostra realmente representa e quais continuam sem teste.
Limites
Não há mínimo universal de trades. Regras simples em dados estáveis e efeitos
grandes podem exigir menos informação; caudas, mudanças de regime e seleção
intensa exigem mais. Estimar N_eff também usa a própria amostra e é
incerto. A decisão deve combinar precisão estatística, plausibilidade econômica,
materialidade líquida e consequências do erro.
Fontes
- Andrew W. Lo, The Statistics of Sharpe Ratios, Financial Analysts Journal, 2002 — autocorrelação, distribuição e inferência do Sharpe ratio.
- David H. Bailey e Marcos López de Prado, The Sharpe Ratio Efficient Frontier, Journal of Risk, 2012 — duração do histórico, confiança e características distributivas.
- Campbell R. Harvey, Yan Liu e Heqing Zhu, …and the Cross-Section of Expected Returns, The Review of Financial Studies, 2016 — quantidade de testes e limiares de evidência na seleção financeira.
- Francis X. Diebold e Roberto S. Mariano, Comparing Predictive Accuracy, Journal of Business & Economic Statistics, 1995 — comparação entre erros preditivos com estrutura temporal.
- Leonard J. Tashman, Out-of-sample tests of forecasting accuracy: an analysis and review, 2000 — múltiplas amostras de teste, rolling origin e representatividade temporal.