Investimento com AI em ações e cripto: evidências e limites

Resumo

Esta revisão avalia aplicações de AI em ações, ETFs, mercados centralizados de cripto, futuros perpétuos e atividade on-chain. Apresenta o caminho até os retornos de investimento como uma sequência: dados do momento relevante devem sustentar um sinal confiável, posições práticas, ordens executáveis e desempenho positivo ajustado ao risco após os custos. As abordagens analisadas incluem aprendizado de máquina, modelos de séries temporais e de linguagem, aprendizado por reforço e agentes automatizados. Os avanços relatados são maiores em previsão, análise de texto, desenho de carteiras e fluxos de trabalho de pesquisa.

A revisão encontra menos evidências públicas de lucratividade líquida duradoura. Os resultados históricos podem ser enfraquecidos por vazamento de dados, seleção repetida de estratégias, efeitos de sobrevivência, comparações inadequadas, custos de trading, restrições de plataformas e capacidade limitada. Também aponta a deterioração de preditores, erros de antecipação corrigidos, resultados prospectivos mistos e poucas evidências auditadas de capital investido ao vivo. Cripto exige análise específica do mercado porque os ambientes à vista, perpétuos e descentralizados têm fluxos de caixa e condições de execução diferentes. A revisão não encontra uma abordagem de AI que demonstre alfa líquido persistente em diferentes regimes e níveis de capacidade. Uma avaliação melhor exige entradas do momento relevante, objetivos ligados a decisões de trading, testes conjuntos de carteira e execução, adaptação controlada, avaliação prospectiva e governança adequada; essas práticas melhoram as evidências, mas não garantem retornos.

Ideias principais

• Os recursos de AI avançaram mais em previsão e apoio aos fluxos de trabalho do que em lucratividade duradoura demonstrada.
• Um sinal de investimento utilizável precisa passar por cada etapa, da informação disponível em cada momento a ordens executáveis e desempenho ajustado aos custos.
• Contaminação de dados, efeitos de seleção, referências fracas, dificuldades de implementação e capacidade podem comprometer resultados históricos.
• As evidências de ações e cripto devem ser interpretadas considerando suas estruturas de mercado e fluxos de caixa distintos.
• Testes prospectivos e avaliações conjuntas de carteira, execução e governança fortalecem as alegações, sem garantir lucro.

Tags

# 2609.04917


# Artificial Intelligence in Equity and Crypto Markets: Progress, Profitability Evidence, and the Limits of Automated Investing









Artificial intelligence (AI) now supports investment workflows from data and prediction through research, portfolios, execution, and tool use. Technical capability, however, is not evidence of investment profitability. This critical state-of-the-art review examines public research available through 31 August 2026 on listed equities, exchange-traded funds, centralized crypto spot, perpetual futures, and on-chain markets. We organize evidence with an alpha-translation chain: point-in-time information must yield a stable signal, feasible positions, executable orders, and risk-adjusted returns after costs. Across machine learning, time-series foundation models, financial language models, reinforcement learning, and agents, the examined record shows real but mainly upstream progress in prediction, text processing, portfolio design, and workflow integration. Evidence is thinner for durable net performance. Temporal contamination, repeated selection, survivorship, weak benchmarks, implementation costs, venue mechanics, and capacity can break translation to net alpha. Strong historical results coexist with predictor decay, corrected look-ahead failures, mixed prospective evidence, and few audited live-capital records. Crypto adds informative state but requires separate treatment of spot, perpetual, and decentralized cash flows and execution. Within the public evidence examined here, no general AI architecture is shown to deliver persistent, cross-regime, capacity-aware net alpha. More credible claims require point-in-time data and models, decision-aligned objectives, joint portfolio--execution evaluation, controlled adaptation, prospective tests, and authority-matched governance. These conditions can improve evidence and implementation; they do not guarantee profit.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.