O chefe de Quant da Man Group disse algo que ficou na minha cabeça:
"O desafio é o volume imenso de dados e possíveis relações de mercado que cresceu mais rápido do que qualquer equipe humana consegue avaliar manualmente."
Então eles construíram o AlphaGPT. Ele gera hipóteses de sinal, escreve o código e executa os backtests. Autonomamente. Centenas de ideias por semana em vez de 20 por trimestre.
A Bridgewater foi além e construiu um fundo de US$ 2 bilhões onde a IA toma as principais decisões de trading.
A Jane Street gastou US$ 6 bilhões em infraestrutura de GPU no ano passado para treinar modelos proprietários.
Não vou fingir que sei exatamente o que está rodando dentro desses sistemas. Mas as declarações públicas das pessoas que os constroem contam uma história bastante consistente — e não é a que a maioria imagina quando ouve "trading com IA."
As empresas que estão vencendo não estão substituindo seus quants. Estão tornando cada quant cerca de 10x mais rápido.
Este artigo é o framework completo para executar a mesma arquitetura no Polymarket hoje.
PARTE 1 — A IA VAI SUBSTITUIR OS QUANTS?
A pergunta que todo mundo faz errado.
A Man Group tornou o AlphaGPT público em julho de 2025. O sistema gera hipóteses de sinal, escreve código de implementação e executa backtests autonomamente. Várias dezenas de sinais já foram aprovados para trading ao vivo após revisão humana.
O desafio no investimento quantitativo é o volume imenso de dados e possíveis relações de mercado que cresceu mais rápido do que qualquer equipe humana consegue avaliar manualmente.
Uma equipe de pesquisa forte pode testar seriamente umas 20 ideias de sinal em um trimestre. O AlphaGPT testa centenas em uma semana.
Mas nenhum sinal do AlphaGPT toca capital real sem que um pesquisador tome uma decisão deliberada sobre ele.
A Bridgewater construiu um AI Reasoning Engine combinando LLMs, machine learning e ferramentas de raciocínio. O co-CIO chamou isso de "um grande salto." Mas humanos ainda supervisionam gerenciamento de risco e execução.
O CTO da Citadel disse claramente: "Não queremos que gestores de portfólio terceirizem seu julgamento humano de investimento para a IA."
O próprio Ken Griffin disse que a IA aumenta a eficiência, mas é improvável que gere retornos acima do mercado sozinha.
As empresas que estão vencendo estão tornando seus quants 10x mais rápidos. Não os substituindo.
PARTE 2 — CINCO CASOS DE USO COM VANTAGEM REAL
CASO DE USO 1: DESCOBERTA AGÊNTICA DE SINAIS
O AlphaGPT da Man Group executa quatro agentes em um loop:
- Agente 1 gera uma hipótese de sinal.
- Agente 2 escreve o código de implementação.
- Agente 3 atua como desafiador puro — encontra todos os motivos pelos quais o sinal pode ser falso ou overfitted.
- Agente 4 avalia o backtest e decide se envia para revisão humana.
No Polymarket, isso se aplica diretamente:
- Agente 1 gera uma estimativa de probabilidade a partir de notícias, mercados relacionados e taxas base.
- Agente 2 compara com o preço atual de mercado.
- Agente 3 desafia: o que precisaria ser verdade para isso estar errado?
- Agente 4 avalia o EV e envia um go/no-go para o humano.
CASO DE USO 2: EXTRAÇÃO DE DADOS ALTERNATIVOS
Para mercados de previsão, cada declaração de uma autoridade do Fed, cada desenvolvimento geopolítico, cada divulgação de dados econômicos contém sinal. A IA converte texto não estruturado em uma mudança de probabilidade estruturada.
CASO DE USO 3: TESTE DE SIGNIFICÂNCIA MONTE CARLO
Backtesting padrão usa um único caminho através da história. Um caminho não é suficiente.
CASO DE USO 4: ALOCAÇÃO DE POSIÇÃO CONSCIENTE DO REGIME
f_adjusted = f_kelly x regime_factor x (1 - drawdown_factor)
CASO DE USO 5: MONITORAMENTO DE IMPLANTAÇÃO
PARTE 3 — O PIPELINE COMPLETO
Comece por aqui se você ainda não está no Polymarket: polymarket.com/?r=atlas
US$ 28 bilhões negociados. Mais de 9.000 mercados. Cada contrato resolvido é um ponto de dados de verdade absoluta para o seu modelo.
6 estágios. 5 automatizados. 1 sempre humano.
Estágio 1 — Ingestão de dados: taxas históricas de resolução, séries temporais de preços, correlações de mercados relacionados, métricas de volume.
Estágio 2 — Hipótese de sinal: específica, testável, com fundamentação econômica e as condições sob as quais ela falha.
Estágio 3 — Desafio adversarial: um agente separado cujo único trabalho é quebrar a hipótese antes que qualquer tempo seja investido em construí-la. A Man Group chama isso de parte mais valiosa do AlphaGPT.
Estágio 4 — Backtesting walk-forward: cada parâmetro estimado usando apenas dados disponíveis no momento da negociação. Esse único requisito elimina a fonte mais comum de desempenho inflado em backtests.
Estágio 5 — Teste de significância Monte Carlo: se o seu sinal está no topo 5% de 10.000 alternativas aleatórias, você tem evidência de vantagem real.
Estágio 6 — Portão de revisão humana: não pode ser automatizado. Escreva três condições que farão você parar e revisar o sistema antes de começar.
PARTE 4 — ANTES DA IA VS DEPOIS DA IA
Antes da IA:
Uma ideia vinha da leitura ou observação. Escrever a implementação levava horas ou dias. Configurar o backtesting adequado levava mais tempo. Um pesquisador podia testar seriamente 20 estratégias por ano. A alocação de posição era calibrada por intuição.
Depois da IA:
O tempo entre a ideia e a avaliação rigorosa foi comprimido de dias para horas. Você executa revisão adversarial nas suas próprias hipóteses antes de investir tempo construindo-as. Você testa 12 variações de um sinal promissor e avalia todas elas em vez de escolher uma por intuição.
A Man Group descreveu isso com precisão: a tecnologia ajuda eles a testar mais ideias. Pesquisadores gastam tempo avaliando sinais que já sobreviveram ao desafio automatizado, em vez de gastar esse tempo em trabalho de implementação.
Para o Polymarket especificamente, a compressão é ainda mais valiosa. Os mercados resolvem em datas fixas. A janela para entrar com um bom preço é finita. Quanto mais rápido você vai da hipótese ao sinal validado, mais oportunidades você realmente captura.
O RESUMO
IA não prevê mercados.
Ela comprime o tempo entre uma ideia de trading e um teste rigoroso dessa ideia de dias para horas. Ela executa revisão adversarial que a maioria dos traders sistemáticos nunca aplica às suas próprias hipóteses.
Man Group: os LLMs aceleraram o ritmo das mudanças. Mas os quants deles ainda estão lá. Cada sinal que chega ao capital teve a aprovação de um pesquisador.
Jane Street investiu US$ 6 bilhões em infraestrutura de GPU para multiplicar o que seus pesquisadores podem fazer. Não para substituí-los.
A IA deu a eles escala. O julgamento continuou humano.
A vantagem nos mercados de previsão agora não é informação melhor.
É testar mais ideias mais rápido que todo mundo e agir apenas naquelas que sobrevivem à revisão adversarial.
Esse é o sistema completo.
