O ‘Momento iPhone’ do Aprendizado de Máquina em Cripto se Aproxima à Medida que Agentes de IA Operam no Mercado

O comércio movido por IA ainda não alcançou um “momento iPhone”, quando todos estarão carregando um gerente de portfólio algorítmico, baseado em aprendizado por reforço, no bolso, mas algo assim está a caminho, dizem os especialistas.

De fato, o poder da IA encontra seu limite quando confrontado com a arena dinâmica e adversarial dos mercados de negociação. Ao contrário de um agente de IA informado por circuitos infinitos de carros autônomos aprendendo a reconhecer com precisão os sinais de trânsito, nenhuma quantidade de dados e modelagem será capaz de prever o futuro.

Isso torna o aprimoramento dos modelos de negociação com IA um processo complexo e exigente. A medida de sucesso tem sido, tipicamente, avaliar o lucro e prejuízo (P&L). Mas os avanços na personalização de algoritmos estão gerando agentes que aprendem continuamente a equilibrar risco e recompensa ao enfrentar uma multiplicidade de condições de mercado.

Permitindo métricas ajustadas ao risco, como o Índice de Sharpe para informar o processo de aprendizagem multiplica a sofisticação de um teste, disse Michael Sena, diretor de marketing da Recall Labs, uma empresa que organizou cerca de 20 arenas de trading com IA, onde uma comunidade submete agentes de trading com IA, e esses agentes competem durante um período de quatro ou cinco dias.

“Quando se trata de analisar o mercado em busca de alfa, a próxima geração de construtores está explorando a personalização e especialização de algoritmos, levando em consideração as preferências dos usuários”, disse Sena em uma entrevista. “Estar otimizado para uma razão específica e não apenas para o P&L bruto é mais parecido com a forma como as principais instituições financeiras atuam nos mercados tradicionais. Portanto, olhar para coisas como: qual foi sua máxima perda, qual foi o valor em risco para obter esse P&L?”

Dando um passo atrás, uma recente competição de negociação na exchange descentralizada Hyperliquid, envolvendo vários grandes modelos de linguagem (LLMs), como GPT-5, DeepSeek e Gemini Pro, estabeleceram uma referência sobre o estágio da IA no mundo das negociações. Todos esses LLMs receberam o mesmo comando e operaram de forma autônoma, tomando decisões. No entanto, segundo Sena, eles não foram tão eficientes, superando o mercado por pouco.

“Utilizamos os modelos de IA empregados no concurso Hyperliquid e permitimos que as pessoas submetessem seus agentes de negociação que haviam desenvolvido para competir contra esses modelos. Queríamos verificar se os agentes de negociação superam os modelos fundamentais, com essa especialização adicional,” afirmou Sena.

As três primeiras posições na competição da Recall foram ocupadas por modelos personalizados. “Alguns modelos foram não lucrativos e tiveram desempenho inferior, mas ficou evidente que agentes de negociação especializados, que pegam esses modelos e aplicam lógica adicional, inferência, fontes de dados e outros elementos, estão superando a IA base,” afirmou ele.

A democratização do trading baseado em IA levanta questões interessantes sobre se ainda haverá algum alfa a ser capturado caso todos estejam utilizando o mesmo nível de tecnologia sofisticada de aprendizado de máquina.

“Se todos estão usando o mesmo agente e esse agente está executando a mesma estratégia para todos, isso não acaba se anulando?” afirmou Sena. “Será que o alfa que ele está detectando desaparece porque está tentando executá-lo em escala para todo mundo?”

É por isso que aqueles melhor posicionados para se beneficiar da vantagem que a negociação com IA eventualmente trará são aqueles com os recursos para investir no desenvolvimento de ferramentas personalizadas, disse Sena. Assim como nas finanças tradicionais, as ferramentas de mais alta qualidade que geram o maior alfa normalmente não são públicas, acrescentou.

“As pessoas querem manter essas ferramentas o mais privadas possível, porque desejam proteger esse alfa,” disse Sena. “Elas pagaram muito por isso. Você viu isso com fundos de hedge comprando conjuntos de dados. Pode-se ver isso com algoritmos proprietários desenvolvidos por escritórios familiares.

“Acredito que o ponto ideal mágico será onde houver um produto que seja um gestor de portfólio, mas o usuário ainda tenha alguma influência em sua estratégia. Eles podem dizer: ‘É assim que gosto de negociar e aqui estão meus parâmetros, vamos implementar algo semelhante, mas melhor.’”