Análise quantitativa: como usar robôs de investimento sem ignorar os riscos

Automatizar uma estratégia não significa entregar o dinheiro a uma máquina e deixar que ela opere sem supervisão.

Essa foi a principal mensagem da palestra de Martha Matsumura, Felipe Perigolo e Lucas Lubrano Melo na Expert XP 2026, dedicada ao uso de análise quantitativa e automação por investidores iniciantes.

Durante o debate, os participantes explicaram que os modelos matemáticos ajudam a organizar dados, identificar padrões e executar regras de forma sistemática.

O resultado, porém, depende de decisões tomadas antes e depois da programação: qual ineficiência será explorada, como a estratégia será testada, em quais ativos poderá operar e quando precisará ser ajustada ou desligada.

A análise humana, portanto, não desaparece. Ela muda de lugar.

Em vez de decidir cada compra ou venda no calor do mercado, o analista define a lógica do modelo, avalia se ela continua válida e acompanha riscos que uma curva de desempenho histórico pode não revelar.

Modelo quantitativo funciona como filtro

Perigolo contou que levou sua experiência em tecnologia da informação para o mercado financeiro e encontrou nos modelos matemáticos uma maneira de transformar padrões em regras objetivas.

Lubrano, formado em engenharia física, seguiu um caminho diferente: entrou na XP no início da carreira e passou a analisar o mercado a partir de dados.

Apesar dessa formação quantitativa, Lubrano rejeitou a ideia de que o modelo deva substituir integralmente a análise discricionária. Para ele, o quantitativo funciona especialmente bem como filtro para identificar oportunidades.

Na prática, o algoritmo pode fazer uma primeira seleção entre muitos ativos, reduzindo o universo que precisará ser estudado em profundidade. A decisão final, entretanto, pode incorporar o cenário de mercado e a avaliação do analista.

Lubrano citou como exemplo uma carteira automatizada com 10 ações.

Em vez de simplesmente aceitar os 10 primeiros nomes indicados pelo algoritmo, ele considera os 15 mais bem classificados e, dentro desse grupo, escolhe os 10 que formarão o portfólio.

Dessa forma, o modelo faz a triagem e a análise humana conclui o processo.

Para Matsumura, o exemplo mostra que as abordagens quantitativa e discricionária não são excludentes. A máquina oferece escala e objetividade; o profissional acrescenta contexto e experiência.

Leia mais: Trader profissional ganha em apenas 55% a 60% das vezes, diz tesoureiro da XP

“Nada funciona para sempre”

Perigolo afirmou que uma estratégia quantitativa precisa partir de uma explicação causal. Não basta encontrar uma combinação de indicadores que teria dado lucro no passado: é necessário compreender por que aquela regra deveria funcionar.

Essa lógica também ajuda a avaliar quando o modelo deixa de entregar o comportamento esperado. Segundo o analista, os mercados mudam, passam por ciclos e alternam regimes de tendência, lateralidade e acumulação.

Por isso, os modelos podem exigir calibragem e ajustes ao longo do tempo.

Perigolo disse ainda que procura manter estratégias adequadas a diferentes regimes de mercado, em vez de depender de uma única lógica operacional.

O alerta é especialmente relevante para o iniciante atraído por uma curva histórica ascendente.

Um bom resultado passado mostra como a estratégia se comportou em determinada amostra, mas não elimina a necessidade de entender as condições que produziram esse desempenho.

Leia também: Stop técnico ou financeiro? Traders debatem estratégias na Expert XP 2026

Um backtest bonito pode ser apenas acaso

O backtest — teste de uma estratégia com dados passados — ocupou parte importante da discussão. Lubrano alertou que a ferramenta pode criar uma falsa sensação de segurança quando é usada apenas para procurar a combinação mais lucrativa.

“A maioria das pessoas faz um backtest e faz errado.”

O problema aparece quando o desenvolvedor testa milhares de combinações de médias, parâmetros e períodos até encontrar uma curva excepcional.

Quanto maior o número de tentativas, maior a possibilidade de surgir um resultado favorável por acaso, sem uma relação econômica ou operacional que o sustente.

Para reduzir esse risco, Lubrano defendeu testes em diferentes ativos, mercados e períodos.

Os participantes também destacaram a separação entre a janela usada para desenvolver a estratégia, conhecida como in-sample, e uma amostra posterior, o out-of-sample, na qual o modelo é avaliado com dados que não participaram de sua construção.

Se a estratégia funciona apenas no período em que foi criada, mas perde a eficiência fora dele, o resultado pode ser espúrio. Um teste robusto serve tanto para descartar modelos frágeis quanto para encontrar oportunidades.

A curva histórica não garante a execução

Mesmo um backtest estatisticamente consistente pode se afastar da realidade se ignorar a microestrutura do mercado.

Matsumura lembrou que uma simulação pode considerar uma operação executada porque houve negócios em determinado preço. Na prática, talvez não existisse liquidez suficiente para atender ao tamanho da ordem.

Lubrano afirmou que o desenvolvimento deve considerar o tipo de ordem, a profundidade do livro de ofertas, a posição na fila, o impacto sobre o preço e a slippage — diferença entre o valor esperado e aquele em que a operação é efetivamente executada.

Ordens limitadas podem controlar o preço, mas correm o risco de não serem executadas. Ordens a mercado aumentam a chance de execução, mas podem sair em níveis piores, especialmente quando a cotação se move rapidamente.

Foi nesse contexto que Matsumura leu um comentário enviado pelo público:

Ela acrescentou que um modelo automatizado pode até parecer um videogame, porque executa os comandos recebidos, mas ressaltou que a operação “não é videogame e não é caixa eletrônico”.

Perigolo resumiu o primeiro cuidado:

“Primeiro de tudo, você tem que conhecer o ativo que você está operando.”

Isso inclui compreender sua volatilidade, a profundidade do livro e os horários de maior volume.

O tamanho da estratégia também importa. Perigolo citou o caso de um robô conectado a cerca de 300 contas: mesmo que cada cliente opere um lote pequeno, o envio simultâneo das ordens pode consumir a liquidez disponível e deslocar o preço.

Por essa razão, uma estratégia automatizada não deve ser avaliada apenas pela lógica do sinal. Ela precisa ser executável no ativo, no horário e na escala em que será oferecida.

Leia também: Até que preço o bitcoin pode cair? Para Stormer, o piso atual pode ser US$ 52 mil

Quando um robô deve ser desligado?

Os participantes não estabeleceram um número universal de perdas ou de meses negativos para determinar o desligamento de uma estratégia.

Lubrano disse que o principal critério é verificar se o modelo continua capturando o sinal para o qual foi desenvolvido.

Uma estratégia pode atravessar meses ruins e ainda permanecer coerente com sua proposta.

O contrário também é possível: ela pode apresentar resultado positivo por algum tempo, mas executar entradas e saídas diferentes das previstas e, assim, estar fora do desenho original.

Nos produtos automatizados mencionados durante a palestra, os analistas disseram acompanhar o comportamento das estratégias e poder recalibrá-las, adaptá-las ao regime de mercado ou desligá-las.

O objetivo é evitar que essa decisão recaia sobre o cliente sem tempo ou conhecimento técnico para monitorar o modelo.

Eventos econômicos capazes de provocar movimentos muito rápidos também entram nessa avaliação. Perigolo citou o payroll dos Estados Unidos como exemplo de divulgação que pode elevar a volatilidade e deteriorar a execução.

Nessas situações, o problema não é apenas acertar a direção. Com muitas contas recebendo o mesmo sinal, clientes podem obter preços diferentes e resultados distintos.

“Não faz sentido eu deixar o cliente correr esse risco de ter uma execução ruim. […] Nesse caso, eu prefiro desligar.”

Leia também: “Renda extra não é coisa de pobre”: Primo Pobre explica como diversificar ganhos

Automação pode atuar do curto ao longo prazo

Os participantes afirmaram que a análise quantitativa pode ser aplicada a diferentes ativos e horizontes.

No curto prazo, pode sustentar operações automatizadas; no médio prazo, apoiar estratégias sistemáticas; e, no longo prazo, orientar a seleção e o rebalanceamento de carteiras.

Para o investidor que não consegue acompanhar o mercado durante o dia, a automação oferece acesso a essas operações sem exigir que ele execute cada ordem. Isso não significa, porém, que todos devam assumir a mesma exposição.

Questionado sobre quanto um iniciante deveria destinar a essas estratégias, Lubrano respondeu que a decisão depende do perfil do cliente, do produto e de seu valor mínimo de entrada. A palestra não apresentou um percentual único aplicável a todos.

Em carteiras de longo prazo, Lubrano explicou que a saída não é determinada necessariamente por um alvo gráfico. O ativo pode permanecer no portfólio enquanto continuar atendendo aos indicadores quantitativos e às regras estabelecidas.

“Não faz o menor sentido olhar para o gráfico nesse ponto.”

A conclusão do painel foi que a automação reduz o trabalho operacional, mas não elimina os riscos nem a necessidade de método.

Para o iniciante, mais importante do que procurar um robô com a curva mais atraente é entender o objetivo da estratégia, o horizonte para o qual ela foi criada, as condições de execução e quem acompanha seu funcionamento quando o mercado muda.

• O que é uma linha de tendência na análise gráfica?
• O que são médias móveis e como usá-la para estratégia de Trade
• Bandas de Bollinger: como usar e interpretar?

Confira mais conteúdos sobre análise técnica no IM Trader. Diariamente, o InfoMoney publica o que esperar dos minicontratos de dólar e índice. 

The post Análise quantitativa: como usar robôs de investimento sem ignorar os riscos appeared first on InfoMoney.