Vendo muitas pessoas que não reconhecem o AI Trading, ou até o reduzem a “usar machine learning 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, e é também o tempo do porvir. Assim como o conceito de Agente surgiu recentemente, os humanos não imaginaram que ele evoluiria tão rapidamente. Desde a popularização do ChatGPT globalmente, até a difusão da arquitetura Transformer, e agora com os 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 uma simples atualização de ferramentas, 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 de estratégias de backtest. A maior parte do trading quantitativo no passado era essencialmente arbitragem estatística; se apenas repetirmos o que foi feito, certamente não será um avanço de paradigma.
O verdadeiro potencial do AI Trading reside na sua capacidade generativa e exploratória, podendo inventar padrões de negociação, formas de obtenção de liquidez, e até novos linguagens financeiras. No futuro, os Agentes não serão apenas ferramentas que executam comandos, mas protagonistas na descoberta de Alpha de forma autônoma. Eles poderão 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 inicial: no começo, achávamos que “email + páginas web” eram suficientes, até que surgiram plataformas econômicas, recomendações algorítmicas, Web3 e outros novos fenômenos.
Grandes empresas certamente investem pesado em AI Trading, embora esses investimentos não sejam facilmente divulgados. O que realmente vale não são os artigos publicados, mas os sistemas fechados em tempo real. O DeepSeek, no começo, foi uma ideia de Liang Wenfeng na fundação de quant bots do Fantom, e muitas equipes de ponta (incluindo Fantom, Jiukun, Mingxi, etc.) já usavam ideias similares a LLMs para extração de sinais, só que sem rotulá-los como “AI Trading”.
2. Capital, tolerância a falhas e acumulação histórica são as verdadeiras barreiras de proteção
Falar tudo isso é apenas 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 margem de tolerância a falhas, estão todos apostando em 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 talentos está cada vez maior.
Se eu hoje for contratar alguém no mercado de trabalho, 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 essa margem de tolerância 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, a compra de opções futuras com fluxo de caixa excedente. Para as grandes corporações, um investimento de centenas de milhões de dólares, mesmo que fracasse, é apenas um “experimento de departamento”; mas, se der certo, pode remodelar todo o mercado de capitais (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 real. As barreiras de dados, poder de processamento, talentos 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 fazer qualquer coisa sem precisar de resultados imediatos, apenas para ocupar uma posição ou apostar em uma possibilidade.
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 acirrada 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
Tenho uma visão otimista, mas também realista, do futuro. Talvez seja uma batalha entre Agente e Agente, um duelo entre traders de AI. Em mercados de soma zero ou quase, o sucesso dependerá 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 específicos (criptomoedas, opções, arbitragem transfronteiriça), com humanos supervisionando e intervindo em casos de anomalias.
•2028-2032: Sistemas colaborativos e competitivos de múltiplos Agentes se tornarão padrão, surgindo verdadeiros “gestores de fundos de AI”, onde investidores de varejo comprarão portfólios de Agentes.
•Mais adiante: a própria 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 serão evidentes: ilusões de AI, colapsos de padrões, regulações restritivas, e amplificação de riscos sistêmicos (como múltiplos super Agentes aprendendo os mesmos vieses e causando flash crashes). Portanto, “tolerância a falhas” será a chave nesse jogo.
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 e incentivos. Essa parte central ainda é liderada por humanos (ou por poucos times de elite).
“Com margem de tolerância a falhas e tempo para ganhar espaço”, muitas pessoas se preocupam com “AI roubando empregos”, mas quem realmente consegue a vantagem inicial costuma ser quem primeiro amplia o bolo, depois divide. Todos precisam 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 periferia, em ecossistemas verticais específicos, ou por meio de colaboração open source, encontrando seu próprio Alpha.