Vejo muitas pessoas não reconhecerem o AI Trading, e até reduzí-lo a “usar aprendizado de máquina para otimizar estratégias de médias móveis”, quero conversar sobre minha compreensão desse termo.

Primeiro, não podemos usar o passado ou o presente para definir o futuro. AI Trading está em processo de evolução, e é também o tempo do futuro. Assim como o conceito de Agente surgiu, os humanos não imaginaram que ele evoluiria tão rapidamente. Do sucesso global do ChatGPT, à popularização da arquitetura Transformer, até os atuais LLMs, o limite do AI Trading na verdade já não é mais a capacidade humana, mas sim os modelos, a arquitetura tecnológica, a roda de dados, e a capacidade de processamento (energia).
AI Trading não é apenas uma atualização de ferramentas simples, mas uma mudança de paradigma que passa de “humano + ferramenta” para “sistema autônomo”.
1. Não é “otimização por backtest”, mas “invenção de novos mecanismos de mercado”
Assim como a invenção da eletricidade, o verdadeiro AI Trading precisa de invenção e criação, não de indução baseada nos dados históricos atuais ou estratégias de backtest. A maior parte do trading quantitativo no passado era essencialmente arbitragem estatística; se ficar repetindo o que foi feito, certamente não é um avanço paradigmático.
O verdadeiro potencial do AI Trading está na sua capacidade generativa e exploratória, podendo inventar novos padrões de negociação, formas de obtenção de liquidez, e até novos idiomas financeiros. O agente do futuro não será mais apenas uma ferramenta que executa comandos, mas um protagonista que descobre Alpha de forma autônoma. Ele pode construir modelos do mundo em tempo real usando dados multimodais (notícias, imagens de satélite, comportamentos na blockchain, emoções sociais), e então gerar e validar novas hipóteses.
Isso é como a internet nos seus primórdios: inicialmente achávamos que “email + páginas web” eram suficientes, só depois surgiram a economia de plataformas, recomendações por algoritmos, Web3 e outras novas espécies.
Grandes empresas certamente investem pesado em AI Trading, embora esses investimentos não sejam facilmente divulgados. O que realmente vale é o sistema em tempo real, de código fechado, não os artigos publicados. O DeepSeek, no começo, foi uma ideia de Liang Wenfeng na Fandian Fund, uma versão inicial do bot de quant que muitas equipes de ponta (incluindo Fandian, Jiukun, Mingxi, etc.) já usavam para extração de sinais, apenas sem rotulá-lo como “AI Trading”.
2. Capital, tolerância a falhas e acumulação histórica são as verdadeiras barreiras defensivas
Falar tudo isso é para mostrar que devemos manter uma expectativa positiva pelo “futuro do futuro”, pois muitas mudanças podem acontecer conosco.
Aqueles com capital, dinheiro e poder, que têm grande espaço para tolerância a falhas, estão indo “all in” no AI, e não é por acaso. Quando o AI torna o conhecimento sem fronteiras e a informação transparente, quem realmente decide o sucesso ou fracasso são o dinheiro e o poder. Pois a substituição de conhecimento e talento está cada vez mais avançada.
Se eu contratar alguém no mercado de talentos hoje, talvez seja melhor treinar um agente que ouça 100% às instruções. O custo do agente só tende a diminuir com a popularização do poder de processamento, enquanto o custo humano é rigidamente determinado pela economia social e pelo custo de vida.
Muita gente diz “os ricos estão indo fazer AI de novo”, mas essa definição está errada. É justamente porque eles ganharam dinheiro em outros setores, têm dinheiro e tempo sobrando, e usam esse espaço de tolerância a falhas para trocar tempo por espaço no futuro. Google investiu 40 bilhões de dólares na Anthropic, Microsoft investiu na OpenAI, Amazon investe em infraestrutura de AI — tudo isso é, na essência, comprar opções de futuro com fluxo de caixa excedente. Para as gigantes, centenas de bilhões de dólares investidos, mesmo que fracassem, são apenas “experimentos departamentais”; mas, se derem certo, podem transformar o mercado de capitais inteiro (alta frequência, market making, gestão de ativos, até ferramentas de banco central).
Voltando ao AI Trading, para empresas comuns ou PME, competir nesse cenário de corrida global de liquidez é cansativo e sem valor. As barreiras de dados, poder de processamento, talento e tolerância regulatória estão cada vez mais altas. Pessoas ou pequenas equipes podem atuar em ecossistemas verticais específicos (como agentes em protocolos de blockchain específicos), mas é difícil desafiar a liquidez global. Para empresas monopolistas ou gigantes de tecnologia, isso pode ser apenas um dos milhares de projetos que eles podem realizar no tempo livre. Têm dinheiro, poder, história e tolerância a falhas, e podem não precisar obter resultados imediatos, apenas ocupar uma posição e apostar em possibilidades.
Isso também significa que o AI pode aprofundar as desigualdades de classe, tornando as divisões mais evidentes:
• Topo: capital e AI criam um ciclo de feedback, substituindo parcialmente os trabalhadores do conhecimento.
• Meio: traders tradicionais e pesquisadores entram em uma competição frenética com agentes, com rápida desvalorização de habilidades.
• Base: a assimetria de informação pode ser parcialmente nivelada por AI open source, reduzindo a barreira de entrada, mas a concentração de riqueza provavelmente aumentará ainda mais.
3. Panorama futuro: Agente vs Agente
Para o futuro, mantenho o otimismo, mas também a clareza. Talvez o futuro seja agente contra agente, trader de AI contra trader de AI. Em mercados de soma zero ou quase, a vitória depende da arquitetura, do paradigma de treinamento, do feedback em tempo real, e não apenas do tamanho do modelo. O futuro pode ser dominado por “Swarm de Agentes”.
As evoluções mais prováveis são:
•2026-2028: Aprendizado por reforço combinado com Agentes LLM, possivelmente superando humanos em nichos como criptomoedas, opções, arbitragem transfronteiriça, com humanos supervisionando e intervindo em casos de anomalias.
•2028-2032: Sistemas de múltiplos agentes colaborando e competindo se tornam padrão, surgindo verdadeiros “gestores de fundos de AI”, onde investidores de varejo compram diretamente portfólios de agentes.
•Mais adiante: a negociação pode ser redefinida. Quando a maior parte da liquidez for fornecida por agentes, a microestrutura do mercado mudará radicalmente (com menor latência, fluxo de ordens mais complexo, pools de liquidez mais dinâmicos), e os métodos tradicionais de backtest se tornarão obsoletos.
Claro que os riscos também são evidentes: ilusões de AI, colapsos de padrões, regulações restritivas, e amplificação de riscos sistêmicos (como múltiplos superagentes aprendendo os mesmos vieses, causando flash crashes). Portanto, “tolerância a falhas” é a chave dessa jogada.
Resumindo, imaginação ampliada, execução mais focada.
Apesar do limite do AI Trading estar na arquitetura, na roda de dados e na capacidade de processamento, a maior vantagem humana ainda é a capacidade de criar novos jogos, desenhar novos paradigmas de treinamento de agentes, novas regras de mercado, novos mecanismos de incentivo. Essa parte central ainda é liderada por humanos (ou por poucos times de elite).
“Com o excesso de tolerância a falhas, usando o tempo para ganhar espaço”, muitos se preocupam que “AI vá roubar empregos”, mas quem realmente consegue vantagem é quem primeiro amplia o tamanho do bolo, e depois divide. Humanos sempre terão que se adaptar à realidade, mas ainda podemos encontrar nosso lugar.
Para AI Trading, a postura certa é “imaginação ampliada + execução focada”. Pessoas comuns ou pequenas equipes não devem tentar competir de igual para igual com os gigantes, mas podem inovar na margem, em ecossistemas verticais específicos, ou em colaborações open source, encontrando seu próprio Alpha.