Criar lagostas e investir na bolsa, é "ciência" ou "misticismo"?

Jornalista do Interface News | Liu Litong

Editor do Interface News | Song Yejun

Recentemente, a “criação de lagostas” (implantação, treinamento e uso de agentes de IA de código aberto OpenClaw) explodiu em popularidade em toda a internet, levando muitos investidores a se juntarem a essa onda de entusiasmo.

O Interface News notou que, nos últimos dias, discussões sobre “usar lagostas para investir na bolsa” têm ficado cada vez mais intensas nas redes sociais. Alguns admiram a eficiência e conveniência de uma “lagosta” que monitora o mercado 24 horas por dia, outros lamentam que “usar lagostas para investir na bolsa custa mais de 10 vezes mais em tokens do que em taxas”, há quem consulte constantemente sobre o OpenClaw, e também há quem questione a segurança e confiabilidade de “usar lagostas para investir”…

Desde o sucesso do DeepSeek no ano passado, cada vez mais investidores de ações na China A têm tentado adotar diferentes abordagens com IA, embora suas experiências práticas variem bastante.

A investidora Chen Xue (nome fictício) buscou a “fórmula da riqueza” em várias plataformas de grandes modelos de IA, mas, com o mercado em alta, teve uma perda total de quase 20%. Segundo ela, “uma sincera intenção acabou sendo mal direcionada”.

Para Qin Peng (nome fictício), líder de uma equipe de quantificação no sul da China, a IA “parceira” é considerada uma “ferramenta de pesquisa e investimento” que aumentou sua eficiência de trabalho várias vezes.

Como a IA tem se comportado no cenário de investimentos na bolsa atualmente?

Eficiente, mas nem sempre confiável

Quando enfrenta um problema, a primeira reação de He Feng (nome fictício), um investidor de fundos de capital de risco de Guangdong, é “dar uma olhada no Doubao”.

Seja uma notícia de última hora ou uma nova ideia de setor, geralmente leva apenas 1-2 minutos para obter uma resposta preliminar. Se achar necessário aprofundar, basta ajustar as palavras-chave e a forma de perguntar, e em poucos minutos uma resposta mais alinhada às expectativas aparece “na ponta dos dedos”.

Antes do surgimento de grandes modelos de IA, para responder às mesmas perguntas, He Feng precisava gastar bastante tempo navegando em sites de notícias, fóruns de ações e redes sociais, coletando informações. Depois, tinha que fazer sua própria análise e integração dos dados para chegar a uma resposta satisfatória.

Qin Peng gosta de combinar seu modelo de seleção de ações quantitativo com grandes modelos de IA.

Seu modelo de seleção automática avalia diariamente fatores como fluxo de capital, popularidade do mercado, tendências de preço e volume, filtrando ações. Depois, faz uma segunda análise com base nos fundamentos e temas quentes dessas ações, para definir o alvo final. Com o auxílio da IA, o tempo gasto na triagem manual caiu de 3-5 horas para 30-50 minutos, aumentando a eficiência várias vezes.

Além disso, ao criar ou ajustar seus modelos de seleção, Qin às vezes delega tarefas simples à IA.

“Eficiência” é a palavra que muitos investidores pensam primeiro ao falar de investir com IA. Existem mais de 5.000 empresas listadas na A-share, além de uma quantidade enorme de informações financeiras que são atualizadas 24 horas por dia. Extrair exatamente o que se precisa dessas informações massivas está além da capacidade de qualquer investidor individual, e essa tarefa complexa é “muito fácil” para a IA.

Porém, vários entrevistados também concordaram que, muitas vezes, as respostas fornecidas pelos grandes modelos de IA não são confiáveis.

Por exemplo, ao perguntar à IA sobre a relação de uma ação com um tema quente, ela geralmente fornece uma resposta que parece bem fundamentada, mas muitas vezes carece de fatos concretos.

Outro exemplo: pedir à IA que identifique as 10 ações com menor P/E no mercado, ela pode simplesmente pegar dados de dezenas de ações e fornecer uma resposta, incluindo dados de anos anteriores ou até incorretos.

As “parceiras” de IA também demonstram frequentemente uma “personalidade agradável”.

Por exemplo, ao perguntar “A é melhor que B?”, ela lista várias razões para apoiar essa opinião. Mas, ao inverter a pergunta para “B é melhor que A?”, ela fornece argumentos semelhantes. Se ela primeiro analisa um setor, ao perguntar quais setores merecem atenção atualmente, os setores já discutidos costumam aparecer na lista.

Quase todos os entrevistados já enfrentaram a “ilusão de IA”: respostas que parecem razoáveis, completas, mas que na verdade inventam fatos, dados ou eventos que não existem, ou até contradizem o senso comum — uma espécie de “conversa fiada” séria.

No mundo dos investimentos, qualquer erro de decisão pode significar perdas financeiras reais. Esses fenômenos geram problemas adicionais: embora os investidores possam obter uma resposta em poucos minutos, muitas vezes precisam gastar várias vezes esse tempo corrigindo ou ajustando as respostas da IA, ou mudando suas perguntas para obter algo mais confiável.

Onde estão os problemas?

Chen Xue só decidiu experimentar usar IA para investir após descobrir que a DeepSeek, por trás do Hangzhou Fanhua, é bastante avançada.

Muitos fundos quantitativos de destaque afirmam publicamente que têm investido em IA, mas poucos realmente sabem qual papel a IA desempenha nas decisões de investimento dessas empresas, ou qual impacto ela tem na rentabilidade, especialmente quanto da alta frequência contribui.

Para um especialista de um fundo quantitativo de destaque em Xangai, perguntar à IA de forma simples durante o processo de investimento é bem diferente de aplicar uma estratégia de investimento totalmente baseada em IA.

De modo geral, o investimento quantitativo usa modelos matemáticos, estatísticas e programas de computador para substituir o julgamento subjetivo na tomada de decisão, caracterizando-se por forte disciplina, dados como base, diversificação de posições e rigor na gestão de riscos.

Para a maioria dos investidores que usam IA, a decisão final ainda é humana, permanecendo uma forma de investimento subjetivo. Além disso, suas posições costumam ser limitadas, dificultando a diversificação para mitigar riscos de erros de IA.

Por outro lado, muitas ferramentas de uso comum, como Doubao, Qianwen e DeepSeek, diferem fundamentalmente dos modelos de IA desenvolvidos por fundos quantitativos próprios.

Segundo o Interface News, esses fundos concentram seus investimentos em três elementos principais de IA: dados, poder de processamento e algoritmos.

Especialistas explicaram que, no setor financeiro, dados de alta qualidade — precisos, atualizados e completos — são essenciais para treinar modelos de IA. Os grandes modelos genéricos, por sua vez, são treinados principalmente com textos, e carecem de dados financeiros específicos de alta qualidade.

Quanto ao poder de processamento, embora os grandes modelos geralmente exijam hardware mais avançado do que fundos quantitativos, sua abrangência maior implica em maior volume de treinamento.

No aspecto de algoritmos, a maioria dos fundos de ponta desenvolve seus próprios algoritmos, que geralmente são versões ajustadas dos modelos genéricos, com detalhes confidenciais e não divulgados ao público.

Especialistas também mencionaram que algumas corretoras e instituições estão promovendo o desenvolvimento de modelos de IA específicos para o setor financeiro. Apesar de terem acesso a dados financeiros atualizados, suas pesquisas em IA ainda enfrentam limitações de custo de processamento e de conformidade regulatória, dificultando o atendimento às expectativas dos investidores.

“Mesmo que os modelos de IA para investimento quantitativo estejam muito avançados, por que os grandes modelos genéricos não podem oferecer recomendações mais razoáveis, como os investidores tradicionais?” questionam muitos.

Nessa linha, Ren Yu, de um fundo de risco de Chengdu, afirmou em entrevista ao Interface News: “Investidores subjetivos não exigem tanta precisão nos dados quanto os quantitativos, mas suas decisões também precisam de dados recentes e relativamente precisos. Os grandes modelos muitas vezes não captam esses dados em tempo real, e podem conter informações contaminadas, o que compromete a confiabilidade das análises.”

“O problema mais importante é que os grandes modelos de IA carecem de um sistema de investimento completo. Cada estratégia de investimento tem suas características e ambientes ideais. Uma mesma ação pode ser uma boa compra para um investidor de médio a longo prazo, mas uma venda para um trader de curto prazo. Embora os grandes modelos tenham aprendido muitas estratégias, eles não possuem dados de prática de diferentes abordagens, dificultando distinguir as verdadeiras lógicas por trás de cada uma”, explicou Ren Yu.

E se alimentarmos o IA com os quadros de investimento e as filosofias de grandes investidores, para que ele responda com base nesses princípios, será que o resultado melhora?

Qin Peng, que já tentou essa abordagem, respondeu com um voto contra. Para ele, o que se “alimenta” na IA são apenas opiniões e lógicas públicas de grandes investidores, que muitas vezes não revelam ou não podem revelar completamente suas estratégias. Além disso, os sistemas de investimento desses investidores evoluem com o mercado, dificultando uma padronização.

Mesmo que a IA possa fornecer recomendações mais razoáveis, será que os investidores realmente seguirão à risca as estratégias sugeridas? A resposta provavelmente é não.

A colaboração homem-máquina é o consenso

Diante de uma IA eficiente, mas potencialmente pouco confiável, qual seria a melhor forma de uso para investidores comuns?

“Confiar totalmente na IA para tomar decisões de investimento é inviável. É preciso construir seu próprio sistema de investimento,” concluiu Chen Xue, após mais de um ano de experiência.

Recentemente, ela interrompeu suas operações de investimento ao vivo, decidindo estudar mais sobre investimentos antes de retomar suas atividades. Nesse processo, ela descobriu um novo ponto forte da IA: “Sua capacidade de análise de textos é realmente impressionante, ótimo para pesquisar e resumir conhecimentos de investimento!”

Qin Peng, satisfeito com a eficiência da IA na coleta de informações, compartilhou com o Interface News que, na fase de coleta, a IA supera claramente o esforço humano. Portanto, essa etapa pode ser mais delegada à IA. Na análise de informações, ela também é mais eficiente, mas pode cometer erros, então é importante ajustar as perguntas e usar dicas adicionais para ajudar na análise. Quanto à decisão de investimento, que é mais delicada e crucial, ela deve ficar a cargo do investidor, que precisa usar seu julgamento subjetivo.

Os entrevistados concordam que, no futuro, os grandes modelos de IA ficarão cada vez mais úteis, e surgirão muitas IA específicas para o setor financeiro. Contudo, a IA não substituirá completamente os humanos na tomada de decisão, atuando mais como uma ferramenta de apoio. A colaboração homem-máquina continuará sendo a tendência.

Por um lado, os modelos de IA são treinados por humanos, que decidem quanto poder de processamento usar, quais dados alimentar na IA e qual caminho de algoritmos seguir. Por isso, por um bom tempo, a IA não poderá operar de forma totalmente autônoma, sem controle humano.

Por outro lado, embora a IA busque padrões no passado, o mercado de ações nunca repete exatamente sua história. Eventos extremos, como “cisnes negros”, podem acontecer a qualquer momento, e a IA, por sua natureza, tem dificuldades em lidar com esses cenários. Assim, é improvável que exista um “agente” de investimento onipotente.

De modo geral, embora a IA possa, no futuro, superar humanos em certos aspectos, uma série de riscos potenciais impede que toda a decisão seja delegada a ela.

Por exemplo, a tendência de convergência de estratégias é uma preocupação constante. Quando muitas instituições e investidores usam dados semelhantes e métodos parecidos para treinar IA, estratégias semelhantes podem emergir, levando a uma maior correlação de movimentos e aumentando o risco de riscos sistêmicos no mercado.

Além disso, os modelos de IA têm uma “caixa preta”: seus processos de decisão muitas vezes são difíceis de rastrear. Se ocorrerem resultados anômalos, a responsabilidade não é clara, e é difícil determinar se fatores humanos influenciaram o resultado. Se a decisão for totalmente delegada à IA, há risco de manipulação de mercado por grupos que influenciem ou controlem a IA, dificultando a fiscalização. Por isso, do ponto de vista regulatório, é provável que o uso de IA no setor financeiro seja limitado a certos limites para evitar riscos excessivos.