Durante anos, a análise quantitativa nos mercados de cripto seguiu uma estrutura simples: os fornecedores entregam indicadores, e os traders tentam transformar essas informações em decisões. Mas, quando os mercados aceleram, essa abordagem revela seus limites. Saber onde está uma concentração de liquidações não basta. Também é preciso entender como as ordens interagem com esse nível, se a liquidez disponível pode absorver o movimento e quando uma oportunidade aparente se torna um risco.
Na TheKingfisher, passamos os últimos meses investigando essas questões. Nossa investigação agora utiliza sistemas autónomos de IA que formulam hipóteses, executam experimentos controlados, validam resultados e preservam o aprendizado de cada experimento malsucedido. O objetivo não é construir um único modelo de IA que afirme prever todos os movimentos do mercado. Dividimos problemas complexos em mecanismos menores, medimos sua utilidade e combinamos os componentes mais sólidos em modelos de risco compactos.
Agora disponibilizamos os resultados dessa investigação nos planos Premium e Pro, com acesso pelas nossas interfaces, API e integrações MCP (Model Context Protocol). Veja o que aprendemos.
Neste artigo
- Transformar a intuição de mercado em investigação verificável
- Por que mais agentes não produzem automaticamente mais descobertas
- Por que preferimos modelos especializados a um único grande preditor
- Investigação mais rápida exige validação mais rigorosa
- A verdadeira restrição do trading automatizado: os custos de execução
- Uma nova geração de ferramentas de trading construídas pelos utilizadores
- O que ainda não foi resolvido
- Dos dados de mercado à inteligência quantitativa
Transformar a intuição de mercado em investigação verificável
Pedir a um modelo de IA que gere uma estratégia de trading não é o mesmo que realizar investigação científica. Um modelo pode encontrar correlações enganosas, ajustar parâmetros ao ruído histórico ou incorporar informações indisponíveis no momento da execução de uma operação. Esses erros podem produzir backtests impressionantes com pouco valor preditivo. Para reduzir esses riscos, desenvolvemos um ambiente de investigação autónoma baseado em quatro princípios.
Definir a hipótese antes do experimento
Cada agente deve explicar o mecanismo que pretende testar, o resultado esperado e as condições que invalidariam a hipótese. Isso evita explicações inventadas depois de observar resultados favoráveis.
Isolar as mudanças
Quando um experimento melhora o desempenho, precisamos identificar a causa. Mudanças controladas ajudam a impedir que mecanismos sem relação sejam misturados no mesmo experimento.
Tentar refutar cada resultado
Nossos experimentos incluem controlos negativos, separação cronológica dos dados e testes com dados não utilizados no desenvolvimento. Um sinal promissor precisa resistir a condições diferentes daquelas em que foi descoberto.
Separar descoberta e validação
O agente que propõe uma hipótese não deve ser a única autoridade a decidir se ela funciona. A validação independente examina reprodutibilidade, custos de transação, slippage, financiamento e restrições do mercado. Esse método muda o papel da IA em nossa investigação.
A IA não substitui o método científico. Ela permite aplicá-lo a mais experimentos com regras de validação consistentes.
Por que mais agentes não produzem automaticamente mais descobertas
Uma das nossas principais descobertas envolve a colaboração entre agentes de IA. Aumentar o número de agentes não garante maior produtividade. Sem coordenação, eles repetem experimentos, propagam conclusões não verificadas e convergem para ideias semelhantes. Observamos essas limitações nas nossas próprias campanhas de investigação multiagente. Para enfrentá-las, passamos de conversas irrestritas entre agentes para uma arquitetura baseada em hipóteses estruturadas e evidências verificáveis.
Nosso sistema preserva as relações entre perguntas de investigação, experimentos, observações e conclusões. Cada descoberta pode ser ligada às evidências que a sustentam. Cada hipótese rejeitada mantém uma explicação de por que falhou. Isso transforma a colaboração. Em vez de repetir experimentos concluídos, um agente pode aproveitar resultados anteriores, identificar questões abertas e explorar outra direção. Também investigamos como combinar diferentes capacidades de raciocínio: geração de hipóteses, avaliação crítica e verificação independente.
Essa abordagem reduziu o trabalho redundante e melhorou a eficiência das nossas campanhas experimentais. Seu maior benefício, porém, é mais fundamental:
Um experimento malsucedido se transforma em conhecimento reutilizável.
Uma estratégia que falha em determinadas condições, um filtro que elimina oportunidades demais ou um modelo que perde sua vantagem após os custos de transação ainda produzem informações úteis. Preservar esses resultados evita redescobrir os mesmos erros. Com o tempo, o sistema acumula tanto ideias bem-sucedidas quanto uma compreensão estruturada do que não funciona.
Por que preferimos modelos especializados a um único grande preditor
Os mercados de cripto combinam processos que operam em velocidades diferentes. O livro de ofertas descreve a liquidez disponível. As negociações executadas revelam a pressão real de compra e venda. Os níveis de liquidação potencial indicam zonas onde movimentos de preço podem provocar atividade forçada. Nenhum indicador captura todo o processo. Por isso, nossa investigação avançou para uma abordagem modular: resolver problemas específicos com transformações matemáticas ou modelos compactos e avaliar como esses componentes se comportam em conjunto.
Isso facilita a validação independente, o controlo da complexidade e a substituição de mecanismos que deixam de funcionar quando as condições mudam. Três áreas ilustram essa abordagem.
Entender o fluxo de ordens no contexto das liquidações
Indicadores de desequilíbrio do fluxo de ordens, incluindo métricas como VPIN, tentam medir atividades de negociação potencialmente tóxicas. Eles ajudam a identificar situações em que transações agressivas pressionam a liquidez de maneira incomum. Mas o mesmo desequilíbrio não tem o mesmo significado em todos os ambientes. Forte pressão vendedora em um mercado profundo e líquido pode produzir um resultado diferente de uma atividade semelhante perto de uma concentração de liquidações potenciais.
Investigamos, portanto, como os dados de liquidação podem melhorar a interpretação do fluxo de ordens. Nossos experimentos indicam que o contexto das liquidações pode aumentar a utilidade de certos sinais de microestrutura em comparação ao seu uso isolado. Isso reforça um princípio importante da TheKingfisher. Os mapas de liquidação não são apenas representações visuais da atividade do mercado. Eles fornecem informações que podem ser combinadas com outros dados para avaliar cenários de risco.
Por que boas regras de entrada e saída podem funcionar mal juntas
Uma estratégia pode ter um sinal de entrada útil e uma regra de saída razoável sem produzir bons resultados quando ambos são combinados. O motivo é a execução. Uma operação não é apenas uma decisão teórica. Ela precisa ser executada em um livro de ofertas real, com liquidez, posição na fila, spreads e seleção adversa variáveis. Nossos experimentos mostraram que algumas melhorias perdiam valor quando combinadas sem considerar essas restrições.
Por exemplo, um sinal pode identificar uma oportunidade atraente, mas as condições de preenchimento da ordem podem mudar o resultado esperado. Isso pode gerar seleção adversa: as ordens são executadas em condições que se tornam desfavoráveis logo depois. A conclusão é direta:
A qualidade da execução faz parte da qualidade do sinal.
A lógica de entrada, a lógica de saída, a gestão de risco e o posicionamento de ordens nem sempre podem ser otimizados separadamente. Também precisam ser avaliados como um sistema completo.
Detectar oportunidades que perdem sua vantagem
Nem toda operação perdedora começa com um movimento brusco contra a posição. Algumas se deterioram porque o movimento esperado nunca acontece. Uma oportunidade inicialmente atraente pode perder valor quando a volatilidade diminui, a liquidez muda ou o mercado entra em consolidação. Isso nos levou a investigar modelos leves que avaliam como uma oportunidade evolui após o surgimento das condições iniciais.
Em vez de tentar prever todos os movimentos futuros de preço, esses modelos ajudam a detectar situações nas quais uma posição talvez já não justifique seu risco. Na validação histórica, a filtragem seletiva reduziu a exposição a certas condições desfavoráveis e melhorou os resultados das estratégias estudadas. Essas descobertas dependem do período avaliado, do ambiente de mercado e das premissas de execução. Ainda assim, mostram o valor potencial de combinar vários modelos especializados em uma estrutura coordenada de risco.
Investigação mais rápida exige validação mais rigorosa
A investigação autónoma permite explorar mais hipóteses. Também cria mais possibilidades de erro. Durante o desenvolvimento, diferenças entre simulações históricas e observações prospectivas nos levaram a reforçar os controlos de software e a validação. Essas investigações confirmaram uma lição importante: erros no tratamento dos dados, na integração ou na configuração dos experimentos podem alterar o desempenho aparente de um modelo. Mesmo quando o modelo matemático está correto, sua integração em um sistema maior pode introduzir comportamentos inesperados.
Ampliamos os controlos de consistência, os requisitos de reprodutibilidade e as comparações entre resultados simulados e observados. Nosso ambiente de investigação também contribui para melhorar suas próprias ferramentas. A otimização numérica, a análise de desempenho computacional e os testes automatizados reduzem o custo de avaliar novas hipóteses. Isso permite realizar mais experimentos e destinar mais recursos à verificação independente. Mas experimentar mais rápido não garante descobertas melhores.
A velocidade da investigação só importa quando a qualidade das evidências melhora junto.
A verdadeira restrição do trading automatizado: os custos de execução
Muitas estratégias são desenvolvidas e avaliadas principalmente com preços históricos. Isso ajuda a explorar ideias, mas não descreve completamente como uma estratégia se comportará em produção. Entre detectar um sinal e executar uma operação, vários fatores podem mudar o resultado:
- Taxas de negociação e spreads entre compra e venda
- Slippage e liquidez disponível
- Custos de financiamento
- Latência de execução e posição na fila de ordens
Uma estratégia aparentemente lucrativa antes desses custos pode perder sua vantagem com premissas realistas de execução. Nossas simulações confirmaram que várias abordagens são sensíveis a essas restrições. Também mostraram os benefícios potenciais de combinar informações de liquidação, sinais de microestrutura e controlos de risco. Isso não significa que algum modelo possa garantir uma execução lucrativa. Significa que um sistema de decisão precisa avaliar mais do que a oportunidade aparente.
Também deve considerar o custo e o risco de agir sobre essa oportunidade. Essa distinção é essencial na passagem da investigação para a execução real.
Uma nova geração de ferramentas de trading construídas pelos utilizadores
Assistentes de programação com IA e protocolos de agentes estão a mudar a forma como traders desenvolvem software. Desenvolvedores e traders independentes podem criar análises personalizadas, conectar várias fontes e automatizar investigações com menos recursos de engenharia. Isso acelera a adoção de infraestrutura de trading criada pelo próprio utilizador, ou Do-It-Yourself (DIY). Os utilizadores podem construir ferramentas para o tamanho de suas contas, seus limites de risco e suas necessidades de execução. Mas facilitar o desenvolvimento não elimina os desafios fundamentais do trading quantitativo.
Os traders ainda precisam de dados confiáveis, hipóteses validadas, controlos de risco eficazes e uma compreensão clara das restrições de execução. É aí que queremos agregar valor com a TheKingfisher. Nosso objetivo não é impor outra plataforma fechada. Queremos oferecer uma camada de inteligência quantitativa que se integre às ferramentas que os utilizadores já utilizam ou escolham construir.
Separar a inteligência de risco da execução das operações
Nossa abordagem separa duas responsabilidades.
A TheKingfisher fornece inteligência analítica: mapas de liquidação, indicadores de microestrutura, sinais de risco especializados e conhecimentos derivados dos nossos modelos de investigação.
Os utilizadores mantêm o controlo da execução: suas decisões, parâmetros de risco, infraestrutura e credenciais das plataformas de negociação.
Essa separação permite integrar nossos dados em diferentes ambientes sem exigir um motor de trading ou sistema de gestão de ordens específico. Também reduz a necessidade de delegar permissões sensíveis de execução a serviços externos.
API e MCP: tornar a investigação acessível aos agentes de IA
Nossos serviços podem ser acessados pelas interfaces da TheKingfisher ou integrados a aplicações externas pela API e pelo suporte a MCP. Desenvolvedores podem utilizar informações de liquidação e sinais de risco em painéis personalizados, alertas, ambientes de investigação e fluxos de análise automatizados. MCP fornece uma interface padronizada para que aplicações de IA compatíveis acessem ferramentas e fontes externas. Isso abre novas possibilidades para investigação autónoma e análise quantitativa.
Em vez de reconstruir cada componente, os desenvolvedores podem conectar inteligência de mercado especializada aos seus sistemas existentes.
Infraestrutura aberta e auditável
Preferimos uma abordagem em que os utilizadores possam inspecionar e controlar os componentes de integração. Software de código aberto pode ter um papel importante, especialmente em conectores e ferramentas executados no ambiente do trader. A transparência facilita a revisão de dependências, a inspeção do tratamento de credenciais e a compreensão de como as ordens são enviadas. Acreditamos que os utilizadores devem manter o controlo de suas credenciais, permissões e sistemas de execução.
A inteligência de mercado deve ser acessível sem exigir que os traders abram mão desse controlo.
O que ainda não foi resolvido
Nossa investigação identificou padrões úteis, mas também mostrou quanto o desempenho depende das condições de mercado. Alguns sinais se tornam menos informativos durante compressões prolongadas da volatilidade. Outros se deterioram quando a liquidez muda ou os custos de execução aumentam. Detectar essas transições, adaptar os modelos e medir a incerteza continuam sendo desafios importantes. Também seguimos investigando como melhorar a colaboração multiagente, reforçar a validação e combinar modelos especializados sem perder suas vantagens individuais.
O objetivo não é descobrir uma estratégia universal. É construir um processo capaz de gerar hipóteses, testá-las, rejeitar ideias frágeis e melhorar a qualidade das conclusões. Um processo que lembre dos experimentos malsucedidos, identifique suas limitações e questione continuamente suas premissas.
Dos dados de mercado à inteligência quantitativa
Não faltam indicadores nos mercados de cripto. O desafio é determinar quais informações importam, em quais condições e quais riscos surgem ao agir com base nelas. É isso que estamos construindo na TheKingfisher. Nossos sistemas de investigação autónoma permitem investigar mais mecanismos de mercado, preservar evidências experimentais e transformar descobertas validadas em ferramentas analíticas especializadas.
Agora disponibilizamos essas capacidades pelos planos Premium e Pro, interfaces dedicadas, API e integrações MCP. Nossa visão é simples:
Dar aos traders a inteligência para construir seus próprios sistemas, com dados de mercado de qualidade, modelos de risco especializados e controlo total da execução.
O futuro do trading quantitativo talvez não dependa de construir um modelo preditivo cada vez maior. Pode depender de dados melhores, experimentos mais rigorosos e modelos especializados menores que trabalhem juntos.
Desempenho histórico, simulações e validação experimental não garantem resultados futuros. Os modelos apresentados se destinam à análise de mercado e à avaliação de risco, não a instruções de trading.
