Para quem é este capítulo — Para quem quer entender como uma intuição se transforma em uma estratégia especificada, simulada e monitorável; para quem precisa avaliar criticamente um backtest; e para quem já trabalha com pesquisa quantitativa, execução ou risco.
O trading sistemático toma decisões por meio de regras explícitas e repetíveis. Não é necessariamente trading automático: uma regra pode ser executada manualmente. Também não é sinônimo de trading quantitativo, que enfatiza dados, medidas e modelos, nem de trading algorítmico, que inclui algoritmos dedicados apenas à execução. Essas áreas se sobrepõem, mas respondem a perguntas diferentes.
O centro da disciplina não é uma curva ascendente nem um bot. É uma cadeia de afirmações verificáveis: qual é a hipótese, o que podia ser conhecido em cada instante, qual ordem poderia ser enviada, quanto ela custaria, como o modelo foi escolhido e qual evidência mudaria a decisão. Um backtest é uma simulação histórica condicionada por essas premissas; não é histórico real de operações, previsão ou prova definitiva de lucro futuro.
As quatro fases do capítulo
| Fase | Pergunta decisiva | Páginas principais |
|---|---|---|
| 1. Especificar | a estratégia foi descrita antes de se observar o resultado? | |
| 2. Simular | dados, relógio e execução estavam realmente disponíveis? | |
| 3. Validar | o resultado sobrevive a dados não usados, dependência e seleção? | |
| 4. Governar | o processo funciona para a frente e sabe quando parar? |
As fases não são uma escada que produz certeza crescente. Cada uma elimina ou torna visível uma classe de erro. Um forward test pode revelar um problema de processo, mas um bom resultado curto não prova que a distribuição futura será igual à passada. A operação ao vivo ainda introduz impacto, filas operacionais, comportamento humano e mudanças de regime que uma simulação representa apenas em parte.
Quatro termos próximos, mas diferentes
| Termo | Propriedade que o define | Exemplo | Não implica |
|---|---|---|---|
| Sistemático | decisões determinadas por regras declaradas | rebalanceamento mensal com critérios predefinidos | código ou alta frequência |
| Quantitativo | hipóteses expressas e avaliadas com dados e modelos | sinal cross-sectional estimado em um universo | execução automática |
| Algorítmico | um procedimento de software decide ou executa ações | algoritmo que divide uma ordem ao longo do tempo | presença de alpha |
| Automático | o sistema age sem confirmação a cada evento | envio e gestão de ordens por API | validade do modelo |
A distinção evita dois equívocos. Automatizar uma estratégia não a torna correta. E um algoritmo de execução pode melhorar a negociação de uma ordem sem produzir o sinal que determinou a posição. O relatório da SEC sobre trading algorítmico documenta justamente a diversidade de usos, benefícios e riscos dos algoritmos nos mercados modernos.
Do mecanismo à estratégia
Trend following, momentum cross-sectional, mean reversion, carry, relative value, market making e event-driven são famílias de mecanismos, não receitas de retorno. Uma estratégia concreta precisa especificar universo, observáveis, timestamps, transformações, sinais, construção das posições, restrições, risco, ordens, custos, benchmark e regras de monitoramento.
Dois sistemas chamados “momentum” podem ter exposições e riscos opostos. Um pode comparar instrumentos entre si; outro, a série histórica de cada instrumento. Um pode ser long-only e outro long-short; um pode negociar todos os dias e outro mensalmente. O nome da família não substitui a especificação nem demonstra que um prêmio histórico continue capturável depois dos custos.
O contrato de um backtest legível
Um resultado sério permite reconstruir pelo menos:
- Protocolo de pesquisa — hipótese, universo, período, frequência, benchmark, métricas, custos e critério decisório definidos antes da avaliação.
- Registro dos testes — variantes bem-sucedidas e fracassadas, alterações, data e motivo de cada escolha; o número de tentativas faz parte da evidência.
- Dados point-in-time — disponibilidade efetiva, atraso de publicação, revisões, composição histórica do universo, delistings e eventos corporativos.
- Relógio causal — timestamp da informação, cálculo do sinal, envio da ordem e primeiro fill possível não são confundidos.
- Economia da execução — comissões, spread, slippage, impacto, capacidade, borrow, funding, rolagem, margem e fills parciais quando pertinentes.
- Separação das decisões — desenvolvimento, seleção e avaliação final não usam silenciosamente a mesma amostra.
- Dependência e incerteza — operações sobrepostas, autocorrelação, clusters de exposição e número efetivo de observações são explicitados.
- Reprodutibilidade — código, configuração, versões, seeds e snapshot ou hash dos dados podem ser identificados.
Não existe uma porcentagem universal para dividir in-sample e out-of-sample, um número fixo de operações que torne uma métrica confiável, nem um Sharpe ou profit factor que demonstre sozinho uma vantagem. As escolhas dependem do horizonte, da dependência, dos regimes, do turnover, da quantidade de modelos testados e da materialidade econômica.
O que a validação pode — e não pode — dizer
A validação pode mostrar que uma implementação respeita a especificação, que o resultado não depende visivelmente de uma única escolha, que certas características apareceram também fora do desenvolvimento e que custos ou cenários declarados não eliminam imediatamente o efeito. Também pode quantificar a incerteza restante.
Ela não transforma uma relação histórica em lei imutável. Data snooping favorece o melhor entre muitos testes; o regime pode mudar; a escala pode alterar o mercado; fontes e microestrutura evoluem. Reality Check, Deflated Sharpe Ratio, bootstrap, walk-forward e probability of backtest overfitting tratam problemas específicos sob premissas específicas: não são certificados universais de qualidade.
Quando um resultado out-of-sample influencia features, parâmetros, universo ou regras, esse segmento entrou na pesquisa. Continuar chamando-o de “nunca visto” distorce a evidência. É preferível conservar um teste final realmente intacto ou declarar com clareza o caráter iterativo da análise.
Da pesquisa à operação ao vivo
| Ambiente | O que observa bem | O que não reproduz plenamente |
|---|---|---|
| Backtest | lógica, história disponível e cenários modelados | regimes futuros, impacto real, erros não modelados |
| Paper trading | pipeline, timing, ordens simuladas e rotina operacional | prioridade real, capacidade, pressão econômica |
| Shadow mode | sinais e ordens teóricas com dados ao vivo, sem envio | interação efetiva com mercado e corretora |
| Micro-live | fills, custos e controles com capital limitado | comportamento na escala-alvo |
| Produção | processo econômico efetivo | contrafactual certo do que ocorreria em outro ambiente |
A passagem não deve ser automática. Responsabilidades, limites, escalonamento, critérios de suspensão e rollback são definidos antes. Na operação ao vivo, separam-se pelo menos quatro diagnósticos: variação estatística compatível com o modelo, deterioração do sinal, problema de dados ou execução e mudança de regime. Uma sequência de perdas, isoladamente, não identifica a causa.
A orientação SR 26-2 da Federal Reserve dirige-se às organizações bancárias sob sua supervisão. Aqui ela é citada por princípios transferíveis — uso previsto, validação, monitoramento, documentação e effective challenge — e não como obrigação universal para todo trader ou fundo.
O diagnóstico também deve preservar a sequência dos fatos. Primeiro se verificam integridade e pontualidade dos dados; depois, cálculo dos sinais e reconciliação das posições; em seguida, ordens, fills e custos; por fim, exposições e comportamento do modelo. Essa ordem evita atribuir ao mercado uma falha de ingestão ou “corrigir” o sinal quando a divergência nasceu na execução. Cada hipótese de causa fica ligada a logs, versão e responsável.
Percurso recomendado
Primeira leitura: Trading quantitativo → Especificação → Backtest → Out of sample → Forward test.
Aprofundamento profissional: dados point-in-time → leakage e survivorship → custos e capacidade → validação temporal → testes múltiplos → dependência da amostra → robustez e bootstrap → métricas → governança ao vivo.
Este capítulo reconstrói o conhecimento público e clássico do trading sistemático. O Método Emiciclo é uma camada distinta e posterior: suas regras não são projetadas retroativamente sobre as definições, os estudos ou os procedimentos aqui descritos.
Fontes
- U.S. Securities and Exchange Commission, Staff Report on Algorithmic Trading in U.S. Capital Markets — taxonomia, usos, benefícios e riscos do trading algorítmico; é relatório da equipe, não posição adotada pela Comissão.
- Joseph Simonian, CFA Institute Research Foundation, Investment Model Validation: A Guide for Practitioners — quadro prático de backtest, validação, benchmarking, simulação e documentação.
- Halbert White, A Reality Check for Data Snooping — inferência quando uma regra é escolhida após a comparação de muitas alternativas.
- David H. Bailey et al., The Probability of Backtest Overfitting — estrutura para estimar o risco de selecionar uma configuração historicamente vencedora, porém frágil.
- Federal Reserve, SR 26-2 — Supervisory Guidance on Model Risk Management — fonte setorial atual para governança, validação, monitoramento e documentação de modelos.