As pessoas perguntam o que "um time de AI pesquisa estratégias" significa na prática, então aqui está uma hipótese percorrida de ponta a ponta. O importante a ter em mente: isso é um funil que existe para rejeitar. A maioria das ideias morre. Isso é o produto funcionando.
As perguntas que as pessoas realmente fazem sobre isso
Quem inventa as ideias?
Um agente de pesquisa que lê o que a biblioteca de dados consegue sustentar — taxas de funding, open interest, fitas de liquidação, superfícies de opções, sentimento de notícias, Fear & Greed — e escreve hipóteses com uma tese, uma venue, um timeframe e um perfil de risco. Ele é explicitamente consciente das taxas: uma ideia cujo edge plausível fica abaixo do custo de ida e volta da venue já chega malformada. Ele também lê o cemitério. O motivo de falha de cada estratégia abandonada é embedado e pesquisável, então "momentum de funding em barras de uma hora, terceira tentativa" é sinalizado antes de desperdiçar um ciclo.
Quem escreve o código, e por que alguém deveria confiar nele?
Um agente desenvolvedor codifica a estratégia sobre um template base fixo — dimensionamento relativo ao capital, lógica de stop explícita, necessidades de dados declaradas. A confiança vem do teste de fogo, não do autor. Quatro camadas: análise estática (verificações de AST contra os anti-padrões que catalogamos); cenários sintéticos (seis formatos de mercado com dados suplementares fabricados — uma estratégia que compra durante um cenário de crash que ela foi projetada para evitar morre aqui); um backtest em sandbox com dados reais que precisa produzir pelo menos um trade; e um agente de QA fazendo revisão de código para polaridade de sinal, casos extremos e viabilidade frente às taxas. A Camada 2 pega a classe mais constrangedora: código que roda perfeitamente e faz o oposto da hipótese.
O que o backtest realmente cobra?
Taxas reais de maker/taker por venue, acúmulo de funding sobre o preço de marcação, impacto de mercado de raiz quadrada, margem e liquidação para carteiras alavancadas, calendários de pregão para ações. Patrimônio marcado a mercado incluindo PnL não realizado, para que drawdowns não fiquem escondidos entre a entrada e a saída. Se isso parece o básico do básico, não é; cada item foi adicionado porque sua ausência produziu uma promoção errada específica.
A otimização não acaba só fazendo overfitting?
Ela tenta. O pipeline assume que sim: os parâmetros passam primeiro por uma varredura de sensibilidade (uma estratégia que só funciona exatamente com lookback=14 é uma coincidência, não uma estratégia), depois por otimização walk-forward em três janelas com acompanhamento in-sample/out-of-sample, e por fim por um holdout final que a estratégia vê exatamente uma vez. Sharpe out-of-sample abaixo da metade do número in-sample é rejeição. O holdout precisa reter pelo menos 70% do Sharpe out-of-sample do walk-forward. Esses são gates impostos por código, não critério do analista — o analista pode dispensar um piso soft com uma justificativa registrada, mas não pode dispensar as checagens de overfitting.
Qual é a taxa de aprovação?
Baixa, e deve ser mesmo. A morte mais comum acontece na revisão do analista: o edge é real, mas fica abaixo de 0.15% por trade depois dos custos. A segunda mais comum é o penhasco de sensibilidade. Os sobreviventes vão para um risk officer e, depois, para o paper trading, onde uma checagem diária de paridade de replay os mantém honestos contra dados ao vivo indefinidamente. Capital real fica atrás de um gate separado, controlado por humanos.
