Para quem é esta página — Para quem encontra “quant”, “systematic”, “algo” e “bot” usados como sinônimos e quer entender qual parte do processo cada palavra realmente descreve.
O trading quantitativo formula e avalia decisões de mercado por meio de dados, medidas e modelos explícitos. O trading sistemático define antecipadamente regras repetíveis para sinais, carteira, risco ou execução. Muitas estratégias combinam as duas propriedades, mas os termos não são equivalentes: uma regra simples de rebalanceamento pode ser sistemática sem um modelo estatístico complexo; uma análise quantitativa pode apoiar uma decisão final discricionária.
“Algorítmico” descreve o uso de um procedimento computacional para decidir ou executar. “Automático” indica que algumas ações ocorrem sem confirmação humana a cada evento. Um algoritmo pode apenas distribuir no tempo uma ordem decidida em outro lugar; um sistema pode produzir sinais e deixar o envio manual. Nenhuma dessas propriedades demonstra vantagem econômica.
Quatro propriedades, não quatro níveis
| Propriedade | Pergunta diagnóstica | Pode existir sem as demais? |
|---|---|---|
| Sistemática | a mesma informação produz a mesma decisão segundo regras conhecidas? | sim, mesmo com cálculo e execução manuais |
| Quantitativa | dados e modelo tornam mensuráveis a hipótese e sua incerteza? | sim, mesmo com decisão final humana |
| Algorítmica | um procedimento computacional gera ou executa instruções? | sim, mesmo sem alpha proprietário |
| Automática | o sistema age sem autorização caso a caso? | sim, mas exige controles operacionais mais fortes |
A sistematicidade reduz a discricionariedade no evento individual, mas não elimina julgamento. Pessoas escolhem dados, objetivo, modelo, restrições, frequência, custos, limites e momentos de revisão. Essas decisões podem conter viés mesmo quando o código é determinístico. A transparência do processo vale mais do que o rótulo “quant”.
Anatomia de um sistema
- Hipótese econômica ou comportamental. Explica por que a relação poderia existir, quem suporta o risco e o que poderia fazê-la desaparecer.
- Informações observáveis. Identifica dados, timestamps de disponibilidade, revisões, universo e transformações permitidas.
- Sinal. Traduz a hipótese em uma quantidade calculável sem usar o futuro, incluindo frequência e condições em que o sinal não existe.
- Construção da carteira. Converte scores ou previsões em posições, considerando exposições, concentração, alavancagem e restrições.
- Execução. Define ordem, venue, horário, urgência e premissas de fill, spread, impacto, borrow e funding.
- Controles e governança. Define versões, responsabilidades, limites, escalonamento, monitoramento, suspensão e recuperação.
Uma regra de entrada isolada não é uma estratégia completa. O mesmo sinal pode produzir resultados distintos com universo point-in-time em vez do universo atual, pesos iguais em vez de pesos por risco, ordem a mercado em vez de ordem limitada ou capacidade dez vezes maior. Por isso a especificação cobre o ciclo inteiro.
Pesquisa e produção são sistemas diferentes
| Pesquisa | Produção |
|---|---|
| explora hipóteses e alternativas | executa uma versão aprovada |
| pode repetir dados históricos | recebe eventos uma única vez e em ordem |
| compara modelos | aplica controles e limites predefinidos |
| estima custos e capacidade | enfrenta filas, rejeições, atrasos e fills reais |
| preserva um teste final | produz observações prospectivas para monitoramento |
A paridade exige definições compartilhadas de calendário, fuso horário, símbolos, corporate actions, arredondamentos, preços e estados de ordem. Uma diferença silenciosa pode parecer deterioração do modelo quando é falha de implementação. Testes unitários, replay de eventos e reconciliação entre sinal, ordem e fill ajudam a localizar a causa.
O significado de “edge”
No uso operacional, “edge” é uma vantagem esperada condicionada a uma estratégia e a um ambiente. Ela não é observável em um resultado isolado. Um retorno histórico pode refletir o mecanismo proposto, exposições de risco não declaradas, acaso, seleção entre muitos testes, leakage, custos subestimados ou um regime irrepetível.
Uma avaliação útil compara pelo menos uma baseline simples e um benchmark coerente; resultados brutos e líquidos; períodos e instrumentos não usados na escolha; sensibilidade a parâmetros, dados, subperíodos e custos; incerteza e número total de tentativas; concentração dos lucros, turnover e capacidade. Não existe um limiar universal de Sharpe, profit factor, win rate ou quantidade de operações que transforme automaticamente o resultado em evidência suficiente.
Exemplo ilustrativo
Um pesquisador supõe que retornos relativos persistam por certo horizonte. A parte quantitativa define score, universo, estimação e comparação com uma baseline. A parte sistemática fixa quando recalcular o score, ordenar os instrumentos, construir posições e aplicar limites. A parte algorítmica pode gerar e dividir as ordens. A parte automática pode enviá-las sem confirmação manual, interrompendo o processo se dados ou risco violarem os controles.
O exemplo não fornece parâmetros para copiar. Ele mostra como as quatro propriedades convivem e introduzem perguntas de validação diferentes.
Riscos característicos
| Risco | Manifestação | Controle informativo |
|---|---|---|
| Data leakage | o modelo usa informação indisponível na decisão | auditoria de timestamps e pipeline fit/transform |
| Seleção | aparece apenas o melhor entre muitos testes | registro completo e inferência para testes múltiplos |
| Model risk | especificação, estimação ou uso são inadequados | validação, effective challenge e limites de uso |
| Execution gap | o preço simulado não era alcançável | modelo de ordens, custos, impacto e capacidade |
| Risco operacional | dados ausentes, ordem duplicada ou perda de conexão | monitoramento, kill switch, idempotência e procedimentos |
| Mudança de regime | mudam relação, participantes ou microestrutura | cenários, monitoramento e critérios de escalonamento |
O relatório da SEC de 2020 descreve efeitos benéficos e adversos do trading algorítmico nos mercados dos Estados Unidos. A leitura correta não é “algoritmos bons” ou “algoritmos ruins”: finalidade, arquitetura, interação e controles determinam os riscos observáveis.
Checklist de leitura crítica
- A terminologia identifica o que é sistemático, quantitativo, algorítmico e automático?
- Hipótese, universo e benchmark foram declarados antes do resultado?
- O dataset reconstrói o que estava disponível em cada instante?
- Sinal e fill respeitam uma ordem causal executável?
- Custos, capacidade, variantes testadas e resultados negativos são visíveis?
- Desenvolvimento, seleção e teste estão realmente separados?
- Versões de código, dados e configuração são reproduzíveis?
- Limites, responsabilidades e resposta a incidentes foram definidos?
Uma resposta negativa não prova que o sistema fracassará, mas reduz o que pode ser inferido do material apresentado.
Fontes
- U.S. Securities and Exchange Commission, Staff Report on Algorithmic Trading in U.S. Capital Markets — descrição institucional das formas, dos usos e dos efeitos do trading algorítmico.
- Joseph Simonian, CFA Institute Research Foundation, Investment Model Validation: A Guide for Practitioners — ciclo de validação de modelos de investimento e principais técnicas.
- Federal Reserve, SR 26-2 — Revised Guidance on Model Risk Management — orientação bancária atual sobre desenvolvimento, uso, validação e governança; os princípios são citados por analogia, não como obrigação universal.
- National Futures Association, Interpretive Notice 9025 — Hypothetical Results — limites e divulgações de resultados hipotéticos em seu âmbito regulatório nos Estados Unidos.