Equipe de Qiu Cheng-Tung invade o setor de quantificação! O YAND pode desencadear uma «revolução paradigmática» no mundo dos investimentos?

Escrevendo: Registros de transmissão e reflexão

A arma matemática do vencedor do Prémio Fields, pode ela mudar o núcleo do mercado de gestão de ativos de trilhões?

1 Introdução

Na primavera de 2026, uma notícia explodiu silenciosamente no círculo de investimento quantitativo — a figura de destaque na matemática, vencedora do Prémio Fields, Qiu Chengtong, entrou oficialmente no campo da quantificação. O novo método de otimização lançado conjuntamente por Qiu Chengtong e seus colaboradores, YAND (Yau’s Affine-Normal Descent, Descida Normal Afim de Yau), foi apelidado por alguns insiders de “golpe de redução dimensional”, e até considerado como uma possível ruptura de um paradigma técnico que perdura há quase 70 anos na área de investimento quantitativo.

Por que um matemático de classe mundial, imerso há anos em geometria diferencial, conjecturas de Calabi e outras teorias puramente matemáticas, de repente, se cruza com o investimento em ações? O que exatamente o YAND fez para gerar tamanha repercussão? Hoje, vamos explorar profundamente essa questão através de um artigo extenso.

2 Contexto do evento: o desastre de alta dimensão na construção de carteiras de investimento

Vamos voltar às origens de tudo. No mundo do investimento quantitativo, a maioria das estratégias baseia-se na estrutura “média-variância”. Essa teoria moderna de carteiras, proposta por Harry Markowitz em 1952, domina o mainstream. Simplificando, ela considera o retorno do ativo como “média”, o risco (volatilidade) como “variância”, com o objetivo principal de maximizar o retorno sob risco fixo, ou minimizar o risco para um nível de retorno fixo.

Embora essa teoria tenha sido a pedra angular do setor por muito tempo, ela possui uma fraqueza fatal: foca apenas nos retornos e na volatilidade (primeiro e segundo momentos), ignorando fenômenos amplamente presentes nos mercados financeiros, como “caudas pesadas” e “picos de assimetria” (terceiro e quarto momentos). Em linguagem simples, os movimentos de preços reais frequentemente apresentam riscos extremos e eventos “cisne negro” (assimetria e curtose), e o modelo de média-variância, ao lidar com quedas abruptas ou picos de valorização, muitas vezes reage lentamente — como na crise financeira de 2008 e no crash do mercado A em 2015, quando muitas estratégias de investimento falharam coletivamente.

Esse é também um problema de longa data na indústria de quantificação: teoricamente, para captar riscos extremos com maior precisão, é necessário introduzir “momentos de ordem superior” (assimetria e curtose), mas na prática, ao lidar com milhares de ações, o cálculo tradicional sofre do “desastre dimensional”. É preciso usar tensores de alta ordem extremamente grandes (coassimetria e co-curtose), cuja capacidade de processamento cresce geometricamente, tornando inviável para instituições comuns ou computadores de grande porte realizar cálculos eficientes em curto prazo. A aparição do YAND visa justamente resolver essa dor de cabeça que persiste há 70 anos.

3 Origem do artigo

A mais recente pesquisa acadêmica de alta qualidade do time de Qiu Chengtong aponta para a otimização de carteiras de investimento quantitativo.

No dia 28 de abril de 2026, o time de Qiu Chengtong publicou um artigo intitulado “Yau’s Affine-Normal Descent for Large-Scale Unrestricted Higher-Moment Portfolio Optimization”, com o código arXiv:2604.25378, classificado na categoria de finanças quantitativas (q-fin). Os autores são quatro: Ya-Juan Wang, Yi-Shuai Niu, Artan Sheshmani e o mais renomado, Shing-Tung Yau (Qiu Chengtong). Essa é a base central para o estudo deste evento. Além disso, Qiu Chengtong e seus colaboradores também publicaram um artigo teórico sobre o framework do YAND, intitulado “Yau’s Affine Normal Descent: Algorithmic Framework and Convergence Analysis”, com o código arXiv:2603.28448. Este não se limita ao cenário de investimento, mas explora as propriedades do YAND sob uma perspectiva puramente matemática e de otimização de algoritmos. Quanto às plataformas de avaliação por pares, o Semantic Scholar também inclui outro artigo relacionado do time de Qiu Chengtong, intitulado “Affine Normal Directions via Log-Determinant Geometry: Scalable Computation under Sparse Polynomial Structure”, com Corpus ID: 287023415.

Então, qual é o segredo por trás do YAND?

4 Essência técnica do YAND: o poder da geometria

Para entender profundamente o YAND, talvez precisemos deixar de lado temporariamente os termos do mercado de ações e adentrar um conceito puramente matemático — a direção normal afim (affine-normal direction). Tentarei explicar esse conceito de alta complexidade de forma acessível. Vamos imaginar uma metáfora vívida:

Você está escalando uma montanha na floresta, com neblina densa que impede de ver o topo, e deseja traçar a rota mais rápida. Os métodos tradicionais (como o gradiente descendente mais rápido) apenas seguem a “direção de maior inclinação” no momento. Mas, ao encontrar uma montanha com forma irregular ou com distorções no espaço (condição de mal condicionamento na matemática), esses métodos tendem a dar voltas desnecessárias, com baixa eficiência. O YAND, por outro lado, é como se, dentro de uma estrutura geométrica que preserva o volume, você pudesse mover-se diretamente na direção da “normal afim” da montanha, evitando o percurso tortuoso causado por irregularidades.

Essa é a maior vantagem do YAND na matemática: a direção normal afim possui uma propriedade geométrica importante — ela é invariável sob transformações afins que preservam o volume. Em outras palavras, não importa quanto você estique ou comprima o sistema de coordenadas, o algoritmo YAND nunca perde o rumo, mantendo uma aproximação estável ao ótimo. Graças a essa propriedade geométrica global, o YAND consegue, de forma milagrosa, evitar o “desastre do cálculo de momentos de alta ordem”. O artigo afirma: “Este algoritmo segue a direção normal afim do nível atual, ao mesmo tempo que trata diretamente a matriz de retorno. Ele evita tensores de alta ordem explícitos, usando estruturas de quarta ordem para previsão de amostras, avaliação de derivadas e busca de linha precisa.” Assim, o que antes exigia o processamento de tensores tridimensionais de dezenas de milhares de dimensões, agora é resolvido de forma eficiente com matrizes de baixa dimensão.

5 Validação empírica: os números não mentem

Para todos os investidores e profissionais de quantificação, a teoria só vale a pena se gerar valor econômico real. Nesse aspecto, a equipe do YAND forneceu dados de backtest bastante concretos. O artigo utilizou um ambiente experimental robusto:

A amostra cobre 5.440 ações do mercado A, com dados de painéis de velas de alta frequência de 5 minutos.

Essa abrangência é impressionante. Do ponto de vista do setor de investimentos, o total de ações do mercado A é pouco mais de 5.000, ou seja, o estudo do YAND praticamente realizou uma otimização de carteira para todo o mercado A — algo que muitas estratégias anteriores sequer ousaram modelar teoricamente. Os resultados do backtest indicam claramente:

O método pode ser comparado diretamente ao portfólio de média-variância exato de todo o mercado, e, na fase de teste, mostrou que o valor adicional dos momentos de ordem superior é mais forte sob objetivos de retorno moderados.

Traduzindo para linguagem de investimento, o YAND não só consegue gerar soluções ótimas para o mercado completo, como também, em ativos de baixo risco e perfil conservador (como ações de grande capitalização), consegue explorar o potencial de retorno extra proporcionado pelos momentos de assimetria e curtose.

6 Impacto na indústria: revolução de paradigma ou exagero da mídia

Em menos de 24 horas após o lançamento do artigo no arXiv, uma grande quantidade de profissionais e entusiastas de quantificação começaram a discutir o verdadeiro significado do YAND. Alguns chegaram a afirmar que “a equipe de Qiu Chengtong derrubou um paradigma de 70 anos”. Mas, por trás de toda essa celebração, há também uma análise racional e até críticas. Um artigo popular no Zhihu, intitulado “YAND-MVSK não possui momentos de ordem superior, assim como Engram não possui memória”, apresenta três questionamentos relevantes:

Problemas de estabilidade dos momentos de ordem superior: “A otimização média-variância já é considerada pelos profissionais como um ‘maximizador de erros’. Essa pesquisa ainda tenta ajustar momentos de terceira e quarta ordem?… Os picos de curtose calculados nos dados históricos são, em 90% dos casos, ruído aleatório.”

Desalinhamento entre sinal e período de manutenção da posição: “O artigo usa dados de alta frequência de 5 minutos para captar assimetria de preços, mas mantém posições por um ano e meio sem ajuste, usando características altamente sensíveis. É como detectar um buraco a 10 metros à frente com radar e, então, acelerar sem olhar.”

Problemas de benchmark na comparação empírica: “Algumas vozes apontam que o YAND só supera o benchmark de ‘média-variância exata’, que por si só não é uma referência forte na indústria. Na prática, modelos como Risk Parity do Bridgewater são considerados mais robustos.”

Até o momento, tudo indica que ainda há um longo caminho até a implementação em larga escala no mercado real. O método YAND foi publicado no arXiv apenas em abril de 2026, e embora os resultados acadêmicos sejam promissores, a negociação quantitativa em grande escala ainda precisa resolver questões como custos de transação, impacto de liquidez e robustez em mercados extremos. As equipes de trading mais experientes permanecem cautelosas, aguardando validações independentes antes de substituir seus códigos principais.

7 Encruzilhada entre matemática e gestão de ativos

Deixando de lado as controvérsias, este evento tem um significado mais profundo — a entrada de mentes matemáticas de ponta na área de algoritmos de gestão de ativos. A própria identidade acadêmica de Qiu Chengtong confere a esse acontecimento uma relevância especial. Nascido em 1949 em Shantou, Guangdong, e atualmente professor na Harvard University, Qiu Chengtong é membro da Academia Nacional de Ciências dos EUA e laureado com o Prémio Fields em 1982. Sua contribuição revolucionária na geometria diferencial inclui a resolução de conjecturas de Calabi e de massa positiva, entre outras.

Tal gigante da ciência poderia, teoricamente, dedicar toda a sua vida ao mundo abstrato da matemática pura. Mas, nos últimos anos, ele tem enfatizado cada vez mais as aplicações práticas da matemática. Ele declarou publicamente: “Uma das aplicações mágicas da matemática é usar teorias puras, como análise geométrica, na essência do mercado financeiro moderno.” Assim, a entrada de Qiu no setor financeiro não é uma “mudança de carreira repentina”, mas uma exploração de um cientista de elite levando novas ferramentas matemáticas ao mundo real.

Outro ponto importante é que os segundos e terceiros autores do artigo do YAND representam uma nova força na matemática aplicada chinesa. Por exemplo, Artan Sheshmani é professor no CMSA de Harvard e na Academia de Matemática Aplicada de Yanqi Lake, Beijing, atuando também como diretor científico. Sua pesquisa inclui geometria algébrica, teoria das cordas e geometria enumerativa. Yi-Shuai Niu, por sua vez, é vice-professor na mesma Academia de Yanqi Lake, focado em otimização, computação de alto desempenho e aprendizado de máquina. A participação desses pesquisadores indica que a matemática aplicada já está alinhada às demandas do setor de gestão de ativos.

8 Revelações para o futuro

Que impacto o YAND pode ter na indústria de investimento quantitativo? Minha análise é que devemos adotar uma postura equilibrada: de curto prazo, manter a calma, e de longo prazo, reconhecer o potencial de transformação. A curto prazo, o YAND não vai revolucionar de um dia para o outro os fundos de hedge ou equipes de quantificação pública. Isso não se deve apenas à “barreira teórica”. O sucesso de estratégias quantitativas depende de três fatores: acesso a dados, precisão computacional e controle de custos/riscos. O YAND é apenas uma peça nesse quebra-cabeça. Além disso, embora o artigo e a mídia técnica reconheçam que a otimização do YAND é mais eficiente na computação de momentos de alta ordem, na prática, estratégias que precisam rodar milhares de produtos em poucos minutos após o pregão ainda precisam de validação independente para garantir que possam superar os métodos atuais.

Por outro lado, a longo prazo, o YAND abre as portas para uma nova geração de paradigmas de otimização. A direção normal afim, por sua invariância sob mínimos locais e transformações mal condicionadas, é uma tecnologia que a matemática nunca explorou sistematicamente na área de investimentos. Diversas instituições já enxergam o potencial do método para aplicações como controle de risco em alta frequência, hedge de caudas, aumento de estabilidade em fundos de índice e alocação eficiente em portfólios macro multiações sob distribuições não gaussianas.

Além disso, acredito que o significado do YAND vai além do setor de quantificação. A abordagem de aplicar geometria diferencial pura a problemas de controle ótimo pode ser estendida a áreas como aprendizado de máquina, sistemas autônomos de direção, bioinformática e outras, promovendo inovações cruzadas mais amplas.

9 Uma visão racional sobre essa “revolução na redução de dimensionalidade” para problemas de alta dimensão

Talvez não devamos encarar essa conquista do time de Qiu Chengtong com extremos de “deuses” ou “vilões”. Uma postura mais racional é entender que: o YAND é uma lança elegante que a matemática oferece ao setor financeiro, mas o trading quantitativo é uma batalha multidimensional de sobrevivência. Teorias acadêmicas impressionantes não garantem sucesso na prática, pois o mercado real envolve custos de transação, impacto de mercado, slippage, microestrutura e liquidez oculta. Além disso, backtests não representam necessariamente resultados reais. Por isso, muitos profissionais já afirmaram que “o método YAND foi publicado no arXiv em abril de 2026, e embora os resultados acadêmicos sejam promissores, a validação em larga escala e testes de robustez a longo prazo ainda levarão tempo. Afinal, o núcleo do setor de quantificação é a capacidade de implementação.”

Outro exemplo valioso é a história de James Simons, matemático de elite que fundou a Renaissance Technologies, obtendo lucros contínuos por 30 anos com estratégias quantitativas — uma espécie de fábula de “matemática transformada em dinheiro”. Assim, a entrada de Qiu na quantificação pode ser uma revolução ou uma epopeia, só o tempo dirá. Mas uma coisa é certa: cada incursão de mentes de ponta empurra os limites do conhecimento humano um pouco mais adiante.

10 Resumo das referências

A seguir, as principais fontes e referências, para quem desejar aprofundar:

Artigo 1 (focado em investimento quantitativo):

Título: Yau’s Affine-Normal Descent for Large-Scale Unrestricted Higher-Moment Portfolio Optimization

Autores: Ya-Juan Wang, Yi-Shuai Niu, Artan Sheshmani, Shing-Tung Yau

Código: arXiv:2604.25378 (q-fin, publicado em 28-04-2026)

Link: https://arxiv.org/abs/2604.25378

Artigo 2 (focado em otimização geométrica):

Título: Yau’s Affine Normal Descent: Algorithmic Framework and Convergence Analysis

Autores: Yi-Shuai Niu, Artan Sheshmani, Shing-Tung Yau

Código: arXiv:2603.28448

Fonte: arxiv.org/abs/2603.28448

Outros artigos relacionados:

Semantic Scholar inclui “Affine Normal Directions via Log-Determinant Geometry: Scalable Computation under Sparse Polynomial Structure”, autores Niu, Sheshmani e Yau, Corpus ID: 287023415, de 2026.

Contexto e interpretação em chinês:

Coluna do Zhihu “Qiu Chengtong entra no setor, a quantificação tradicional enfrentará uma redução dimensional?”, 30-04-2026.

Coluna do Zhihu “YAND-MVSK não possui momentos de ordem superior, assim como Engram não possui memória”, 01-05-2026.

PS: Os mercados financeiros envolvem riscos; investimentos devem ser feitos com extrema cautela. Este artigo e o método YAND estão em fase de validação acadêmica e não constituem recomendações de investimento.