As pessoas perguntam o que significa, na prática, «uma equipa de IA investiga estratégias», por isso aqui fica uma hipótese acompanhada do princípio ao fim. O mais importante a reter: este é um funil que existe para rejeitar. A maioria das ideias morre. É sinal de que o produto está a funcionar.
As perguntas que as pessoas fazem mesmo sobre o processo
Quem tem as ideias?
Um agente de investigação que analisa aquilo que a biblioteca de dados permite estudar — taxas de funding, open interest, registos de liquidações, superfícies de opções, sentimento nas notícias, Fear & Greed — e formula hipóteses com uma tese, uma plataforma, um horizonte temporal e um perfil de risco. Tem explicitamente em conta as comissões: uma ideia cuja vantagem plausível fique abaixo do custo de uma operação de ida e volta na plataforma está mal formulada à partida. Também consulta o cemitério de estratégias. O motivo do abandono de cada estratégia fica indexado e pesquisável, por isso «momentum do funding em barras horárias, terceira tentativa» é assinalado antes de desperdiçar um ciclo.
Quem escreve o código e porque deve alguém confiar nele?
Um agente de desenvolvimento programa a estratégia com base num modelo fixo — dimensionamento relativo ao capital, lógica de stop explícita e necessidades de dados declaradas. A confiança vem da bateria de testes, não de quem escreveu o código. São 4 camadas: análise estática (verificações da AST para os padrões problemáticos que catalogámos); cenários sintéticos (6 formatos de mercado com dados suplementares fabricados — uma estratégia que compra num cenário de crash que devia evitar morre aqui); um backtest em sandbox com dados reais, que tem de gerar pelo menos 1 operação; e uma revisão de código por um agente de QA, que verifica a polaridade do sinal, os casos limite e a viabilidade depois das comissões. A camada 2 deteta o tipo de falha mais embaraçoso: código que corre na perfeição e faz o oposto do que a hipótese prevê.
Que custos são incluídos no backtest?
Comissões reais de maker/taker por plataforma, acumulação de funding com base no mark price, impacto de mercado proporcional à raiz quadrada, margem e liquidação para carteiras alavancadas e calendários de sessões para ações. O capital próprio é atualizado a preços de mercado, incluindo PnL não realizado, para que as perdas máximas não fiquem escondidas entre a entrada e a saída. Se isto parece o mínimo indispensável, não é; cada elemento foi acrescentado porque a sua ausência levou a uma promoção errada específica.
Mas a otimização não acaba por causar overfitting?
É o que tenta fazer. O pipeline parte desse princípio: primeiro, os parâmetros passam por uma análise de sensibilidade (uma estratégia que só funciona com lookback=14 é uma coincidência, não uma estratégia); depois, há uma otimização walk-forward em 3 janelas, com acompanhamento de IS/OOS; por fim, há um conjunto de dados de validação que a estratégia vê exatamente 1 vez. Um Sharpe OOS inferior a metade do valor IS implica rejeição. O conjunto de validação tem de manter pelo menos 70% do Sharpe OOS do walk-forward. São barreiras aplicadas pelo código, não decisões discricionárias do analista — este pode dispensar um limite flexível, desde que registe o motivo, mas não pode contornar as verificações de overfitting.
Qual é a taxa de aprovação?
É baixa, e assim deve ser. A causa mais frequente de rejeição surge na análise do analista: a vantagem é real, mas inferior a 0,15% por operação depois dos custos. A segunda causa mais comum é o precipício de sensibilidade. As estratégias que sobrevivem passam por um responsável pelo risco e seguem para paper trading, onde uma verificação diária de paridade da reprodução as compara continuamente com os dados em tempo real. O capital real fica protegido por uma barreira separada, controlada por uma pessoa.