Em 10 de outubro de 2025, o os mercados de criptomoedas experimentaram um deslocamento sísmico. Em questão de minutos, uma cascata de liquidação eliminou bilhões em contratos em aberto, deixando os algoritmos de negociação padrão paralisados. Não foi apenas uma queda de preço; foi uma falha estrutural dos modelos preditivos. As estratégias que imprimiram dinheiro durante meses enfrentaram subitamente um estado de mercado que não existia nos seus dados de formação.
Este evento serviu como um lembrete brutal: no mundo de alto risco das finanças quantitativas, a confiança na aprendizagem automática (ML) tornou-se absoluta, mas os seus pontos cegos continuam a ser fatais. Desde algoritmos de negociação de alta frequência (HFT) executados em nanossegundos até oráculos DeFi complexos, a indústria está em uma corrida armamentista pela supremacia dos dados. Mas quando ocorre um “Cisne Negro”, os modelos treinados em dados históricos não apenas apresentam desempenho inferior – eles quebram.
Isto cria um paradoxo para as empresas comerciais modernas: como construir sistemas resilientes quando as suas ferramentas principais são cegas aos riscos mais significativos?
Para responder a isso, sentamos com Grigory Chikishevlíder de equipe e trader quantitativo na Cérebros Quânticos. Com mais de nove anos de experiência na construção de soluções de infraestrutura para mercados – desde algoritmos HFT e modelos de ML até sistemas de avaliação de fluxo baseados em gráficos – Grigory passou sua carreira na interseção entre velocidade de execução e resiliência sistêmica. Na Quantum Brains, ele transformou processos de mercado em arquiteturas escaláveis projetadas para suportar a própria volatilidade que quebra os modelos padrão.
Aqui está a sua perspectiva sobre por que a indústria precisa ir além da “caixa preta” e como projetar a verdadeira antifragilidade.
O Zen do Imprevisível
Quando a discussão se volta para o fracasso dos modelos de risco durante eventos como a recente crise de Outubro, a pandemia da COVID-19 ou a crise financeira de 2008, a crítica padrão é que os modelos “falharam” na previsão do evento. Gregory desafia totalmente esta premissa. Ele argumenta que a expectativa de que um modelo de ML irá prever uma singularidade é matematicamente falha e que a solução não reside numa melhor previsão, mas numa melhor aceitação.
“Gostaria de salientar desde já que não vejo problema na existência de cisnes negros. Eles são, por definição, eventos impossíveis de prever. E não há nada que possamos fazer a respeito. Por exemplo, um cometa colidindo com a Terra: podemos quase certamente dizer que isso não acontecerá nas próximas semanas ou mesmo anos, mas ninguém sabe o que está acontecendo na parte invisível da galáxia…
A palavra “falhar” pode ser um exagero. Se soubermos antecipadamente da nossa incapacidade de prever o evento A, então devemos aceitar a sua ocorrência com a calma budista.”
No entanto, aceitar a imprevisibilidade não significa ignorar as consequências. Grigory ressalta que embora um modelo não possa prever o tempo de uma crise, os especialistas no domínio humano devem arquitetar sistemas que compreendam o consequências do pior cenário – algo que os modelos puramente baseados em dados muitas vezes perdem porque os pontos de dados simplesmente não estão lá.
“Em algum lugar entre esses dois números está o ponto crítico que separa um evento previsível de um imprevisível (um cisne negro). E a falha fundamental de qualquer modelo é que ele não pode calcular esse ponto… Só podemos nos preparar para o pior cenário, que o modelo NÃO considera.”
O mito da compensação pela transparência
Um debate significativo em finanças quantitativas é a tensão entre IA explicável (XAI) e lucro. A sabedoria predominante sugere que os modelos de “caixa negra” (modelos de aprendizagem profunda não supervisionados e difíceis de interpretar) são mais rentáveis porque são mais complexos e que forçá-los a serem explicáveis (para conformidade regulamentar) retarda a execução e diminui a sua vantagem.
Grigory discorda veementemente dessa dicotomia. Para ele, a transparência não é um fardo regulatório; é uma ferramenta de depuração.
“Duvido muito que uma abordagem não supervisionada ou de caixa preta acabe por ser mais bem sucedida do que uma abordagem de caixa branca quando comparada directamente… Portanto, quaisquer esforços no sentido da ‘interpretabilidade a nível regulamentar’ são apenas para melhor. Se o seu filho recém-nascido pudesse explicar o que dói, seria muito conveniente e ajudaria claramente na sua educação.”
Ele sugere que a opacidade nas estratégias de negociação é muitas vezes uma máscara para a sorte e não para a genialidade – especificamente, o viés de sobrevivência.
“Se você vir uma estratégia de ML bem-sucedida que ‘não está claro como funciona’, então uma de duas coisas provavelmente é verdadeira:
- Ou seus criadores realmente entendem tudo, mas preferem manter as cartas fechadas.
- Ou estamos lidando com viés de sobrevivência… Se 1.024 pessoas fizerem uma cadeia de 10 previsões binárias, exatamente uma delas estará absolutamente correta em cada previsão.
Infelizmente, às vezes ambos os motivos estão corretos. Então sempre exija uma explicação do seu agente de IA!”
Antifragilidade de Engenharia
Se a previsão for impossível, a única estratégia viável é a antifragilidade – a capacidade de um sistema tirar proveito da desordem, um conceito popularizado por Nassim Taleb. No entanto, implementar isto em hardware e infraestrutura é notoriamente difícil. Construir um sistema que possa lidar com 100 vezes a carga normal do mercado durante uma crise costuma ter um custo proibitivo.
A abordagem de Grigory à infraestrutura na Quantum Brains prioriza a flexibilidade em vez da capacidade de força bruta.
“Você não pode preparar sua infraestrutura para um evento de cisne negro. Por exemplo, se você calcular o pico de carga do seu servidor e permitir um aumento de 100x, então você estará queimando dinheiro em recursos não utilizados quase 100% do tempo… Mas você pode preparar um sistema flexível para reduzir os custos de recursos. Por exemplo, simplesmente encerrar uma configuração de negociação após a outra. Qual é o sentido, afinal, se tudo der errado?”
Esta flexibilidade permite que uma empresa sobreviva ao choque inicial. Mas para realmente lucro da deslocação – para ser verdadeiramente antifrágil – requer uma mudança de mentalidade. Exige reconhecer que quando os algoritmos de outros falham, o mercado deixa de ser eficiente.
“Repito, estamos falando de uma situação que nossos modelos não previram… Esta formulação também contém algumas boas notícias: podemos assumir que outros participantes do mercado estão vivenciando o mesmo cenário ‘difícil’. No dia 10 de outubro, as criptomoedas sofreram um choque significativo, levando à liquidação de muitas posições. Alguns participantes literalmente abandonaram o mercado: ou escolheram a segunda opção (desligamento) ou simplesmente não tiveram tempo para fazê-lo (RIP).
Este foi um bom momento para explorar ineficiências ou perceber oportunidades que normalmente seriam fechadas… Em certo sentido, este também é o jeito de Taleb: para evitar ser um peru, você simplesmente não precisa ser um.”
O elemento humano em um jogo de soma zero
À medida que a IA continua a dominar a execução comercial, muitos questionam o papel futuro do comerciante quantitativo humano. Se as máquinas cuidam do fluxo, do risco e da execução, o ser humano está obsoleto?
Grigory acredita que a própria natureza do mercado salvaguarda o elemento humano: é um jogo de soma zero movido pelo desejo de vencer, uma emoção que os algoritmos não possuem. Embora a IA possa ser executada, falta-lhe o impulso para “vencer” o mercado que alimenta a verdadeira inovação.
“O comércio difere de muitos outros campos onde a IA está se desenvolvendo ativamente, porque é um jogo de soma zero… Vamos imaginar um extremo: não há mais participantes vivos no mercado… Há lugar para humanos aqui? Na minha opinião, não há.
Mas felizmente… no mundo real, sempre haverá participantes vivos… Outro fator humano é o excesso de confiança. A ideia ‘sou humano, serei mais inventivo e original que a IA’ nunca sairá de nossas mentes”.
Em última análise, o futuro do comércio quantitativo não consiste em substituir humanos por IA, mas em humanos usarem IA para competir contra outros humanos. O algoritmo é a arma, não o soldado.
“Como eu disse, é um jogo de soma zero. Mas um algoritmo não tem interesse em ganhar dinheiro nessas condições. Somente o homo sapiens sempre terá o desejo de ‘vencer’ os outros.”
