Reflexões sobre a recente aprendizagem da nova habilidade de 'IA+Quantificação' que tem causado perdas

A primeira vez que tive contacto com a IA foi num fórum de nicho. Na altura, ainda era durante o período das máscaras. As pessoas discutiam ainda usar IA para desenhar raparigas em estilo anime, mas a IA tinha um grande bug: não conseguia desenhar correctamente os dedos. Mas não fazia ideia de que, mais tarde, haveria a explosão dos grandes modelos de linguagem e a rápida iteração da tecnologia de IA.

Neste momento, influenciado por vários “canais” de marketing que geram ansiedade, como um “rabanete” que não quer ficar para trás na época, no início de 2026 comecei a tentar fazer investimentos com IA. Explorei uma estratégia que considero bem-sucedida e outra que foi relativamente falhada; vou partilhar o processo:

Primeiro, vamos falar da estratégia falhada:

A EM lançou uma IA chamada MiaoXiang. A MiaoXiang tem uma vantagem: tem acesso a dados de primeira mão da bolsa EM e da área de investigação. Por isso, pensei se seria possível usar a MiaoXiang para criar uma estratégia de trade de curto prazo: usar a IA para recomendar activos, fazer ordens de forma quantificada, ou seja, no fecho do dia T recomendar cinco ETFs negociados em bolsa; depois, definir os preços de take profit e stop loss para esses activos dentro de cinco sessões de negociação após T (T+5). Os activos que não atingirem nenhum dos níveis durante mais de cinco sessões são vendidos automaticamente com ordens directas ao contraparte. Esta era uma estratégia de curto prazo. Mas, no funcionamento real, a taxa de sucesso era inferior a 40% e os prejuízos só iam aumentando dia após dia. Seja como for, eu disse à IA para não seguir a alta nem vender na baixa, mas, na prática, os sinais que eu recebia no fecho do T vinham de sectores em alta. Mais tarde, simplesmente parei os testes. Descobri dois problemas: primeiro, é que este modelo segue compra na alta e venda na baixa de forma grave. Quando, no dia T, o mercado cai, o sentimento do mercado fica deprimido e o modelo recomenda que eu evite o risco e não faça operações de compra. Mas quando um sector se torna um ponto quente ou há notícias que o fazem aquecer, o modelo recomenda que eu compre. Só que, com o estado do mercado actual, quando há rotação rápida de sectores, acabamos por ser atingidos dos dois lados. Isto é bem compatível com a lógica da área de vendas do lado de research e com o impulso emocional do investidor de retalho. O modelo também é treinado assim. Quando o mercado não tem uma linha principal, então cada saída do modelo fica caótica. Ao abrir a interface de “pensar”, descubro que o modelo apenas recolhe aleatoriamente algumas notícias e informações; e toda a análise subsequente é baseada nessas notícias recolhidas naquele momento. Isto facilita muito a criação de uma conclusão enviesada.

Agora, vamos falar de uma estratégia relativamente bem-sucedida:

Durante este período, pedi à GJ Securities as permissões para o QMT. Para garantir, também pedi uma conta de simulação. Eu só tinha contactado com programação na licenciatura; na mestrada, escolhi como opção matemática para modelação e algoritmos por interesse. Isto foi há quinze anos; agora, praticamente já não me lembro. Mas aprender a programar e a forma de pensar em termos de algoritmos continuou a influenciar-me de forma constante. Quando aprendi QMT, cheguei a ter um pouco de arrependimento por não ter aberto o petrade: no mercado, há muito menos vídeos e materiais de QMT do que de petrade. Talvez seja porque o petrade seja mais fácil de usar e tenha programas de negociação prontos. Mas, na verdade, quem faz dinheiro não fornece uma estratégia gratuitamente nem a preços baixos; caso contrário, este sector ficaria congestionado. Com a ajuda da programação com IA, passei mais de um mês a escrever, passo a passo, uma solução de estratégia que se adequasse a mim, e também fiz a execução da estratégia numa conta de simulação. Este foi o primeiro passo para a quantificação. Quando corri a estratégia pela primeira vez e consegui que funcione, fiquei muito satisfeito. O plano inicial era, se não conseguisse escrever, ir à Taobao procurar alguém para fazer por encomenda. Esse dinheiro acabou por ser poupado.

Após estes dois momentos de uso de IA, eu pensei: numa época em que o desenvolvimento da IA está a avançar tão rapidamente, como é que devo adaptar-me? Primeiro, preciso de dominar os meios de produção; caso contrário, apenas com a capacidade de trabalho, é fácil ser substituído. Tal como comigo: se eu não tivesse ferramentas de IA, iria à Taobao pedir que alguém escrevesse por encomenda; no futuro, com a difusão da IA, o trabalho de “programador que só sabe escrever código simples” será facilmente afectado. Segundo, a IA em si não tem capacidade de inovação original; é um “frankenstein” que junta peças. À primeira vista parece novidade, mas se olharmos mais, torna-se aborrecido. Se lhe alimentarmos algo, ela une-se e junta-se a isso; aumenta a eficiência e pode dar inspiração, mas não cria, por si, pelo menos actualmente, inovação original. Se não lhe dermos materiais novos, ela tende para ficar igual ou caótica; e as pessoas percebem de imediato “o sabor a IA”. Por fim, todas as ferramentas de quantificação estão a ensinar-te a usar indicadores técnicos para fazer trades de alta frequência; isto não é muito diferente de há mais de uma dúzia de anos, quando era popular brincar com fórmulas do Tongdaxin. Mas, no fundo, as vias reais para ganhar dinheiro talvez não mudem devido a inovações tecnológicas. A quantificação é só técnica: se o “caminho” não for correcto, mesmo que aprendas quantificação até ao fim, acabas apenas por acelerar o nível de lucros e perdas.