Seis semanas deixando a IA construir um sistema de trading de cripto
De 2 de setembro a 13 de outubro de 2026, pedimos a um assistente de IA que construísse um sistema de trading de cripto, o testasse, o executasse e o auditasse. Todas as operações foram simuladas. Foi isto que aconteceu, em ordem.
Como isto foi feito: o código, as execuções da pesquisa e os primeiros rascunhos deste texto foram produzidos por um assistente de IA que trabalhou sob a direção do operador; o operador tomou todas as decisões e conferiu os números. Toda a negociação foi simulada (paper trading): preços reais, sem dinheiro de verdade. Nada aqui é recomendação de investimento.
A versão resumida
- A negociação em escala de minutos deu prejuízo de todas as formas que testamos. Em 42 contas simuladas e 918 saídas, o prejuízo foi de ₩25.161.360 (cerca de US$18.900), com taxa de acerto de 32%.
- As únicas regras que sobreviveram a nove anos de replay foram regras lentas de seguimento de tendência em moedas grandes e líquidas. Mesmo essas encolheram bastante depois que tiramos do backtest o benefício do retrospecto.
- A melhor delas rodou por duas semanas em um servidor dedicado, seguiu suas regras à risca e perdeu 3,93%. Manter Bitcoin nas mesmas duas semanas resultou em perda de 0,25%.
- A conclusão do operador: o problema é o método, não o mercado. A pesquisa de trading está em pausa até que cheguem modelos de IA melhores.
2–5 de setembro: um radar para livros de ofertas
O primeiro objetivo era um site gratuito que mostra as diferenças de preço entre exchanges, além de um sinal de trading. A IA construiu um mecanismo de dados que lia livros de ofertas e negociações da Upbit e depois de doze exchanges, e um painel que classificava cada moeda como “comprar, esperar ou vender” a cada segundo, com boletins falados em inglês e coreano.
6–11 de setembro: as primeiras operações automáticas, −44,2%
O primeiro bot de trading automático comprava uma moeda com todo o seu caixa a preço de mercado sempre que o painel indicava comprar, e vendia ao receber sinais de alerta. O resultado simulado após a primeira auditoria foi de −44,2%. Apenas 10% das operações deram lucro e o tempo mediano de permanência na posição foi de 12 segundos; 157 das 158 saídas foram saídas “de emergência”.
A causa foi a aritmética, não o azar: uma ida e volta com ordens a mercado em moedas pequenas do mercado em won sul-coreano custava, em mediana, 0,46%, enquanto a vantagem do sinal era de +0,02% a +0,08% por operação.
12–17 de setembro: remendos que não resolveram o problema
Testamos ordens limitadas, posições mantidas por mais tempo, um sinal antecipado da Binance para os preços coreanos e contas “sombra” paralelas em cada exchange. Correr atrás de moedas que já estavam disparando perdeu 62% em um replay de 63 horas. Um estudo de cinco dias com 1,91 milhão de linhas mostrou que os sinais acertavam a direção em 58–63% das vezes, mas o movimento médio que capturavam era de apenas +0,04% a +0,09%. Uma boa taxa de acerto não consegue pagar custos dez vezes maiores que o movimento.
Uma auditoria do livro-razão simulado encontrou mais uma coisa: 86,5% de todas as perdas vinham de um único caminho de código que vendia com base em alarmes não confirmados. Corrigi-lo eliminou um bug, não o problema de fundo.
18–25 de setembro: procurando em todos os outros lugares
Testamos decisões de trading tomadas por modelos de linguagem, cópia de líderes de ranking, estratégias de pump, compra em quedas e faixas de taxas. Testamos 34 regras clássicas de indicadores em gráficos horários: 34 de 34 deram prejuízo. Um levantamento de resultados publicados encontrou lucros comprovados apenas onde as empresas têm uma vantagem estrutural (velocidade, market making, escala). Não encontramos nenhum histórico comprovado para bots de varejo, copy trading ou bots de IA.
26 de setembro: contando os danos e desacelerando
No projeto inteiro até agora: 42 livros-razão simulados, 918 saídas, ₩25.161.360 perdidos, 32% de acertos, com o ganho médio equivalente à metade da perda média. Tudo isso veio de regras que mantinham posições por minutos a horas. Passamos para regras de tendência diárias e de quatro horas, e um replay com oito moedas grandes mostrou +75% ao ano. Depois percebemos que as oito moedas tinham sido escolhidas em 2026. Escolher as oito moedas de maior volume de negociação em cada momento do período reduziu o resultado para +41% a +46% ao ano. Detalhes.
28 de setembro: recomeçar e testar tudo
Descartamos as suposições anteriores e testamos 44 famílias de estratégias, cerca de 9.500 configurações, em sete tempos gráficos, escolhendo as configurações apenas com dados do passado a cada ano (walk-forward). Só sobreviveu o seguimento de tendência em moedas líquidas, em candles de quatro horas ou de um dia. A escolhida: comprar quando o fechamento de quatro horas rompe a máxima de 55 candles, vender quando ele cai o equivalente a duas amplitudes médias abaixo do seu pico, ficar fora quando o Bitcoin negocia abaixo da sua média de 100 candles e cortar as perdas em 5%. Replay de nove anos: +92% ao ano. Após o ajuste pelas armadilhas que conhecíamos, esperávamos +28% a +46% ao ano, com drawdowns de 27–33%.
Também calculamos quanto tempo a negociação ao vivo levaria para comprovar uma regra como esta: cerca de 34 meses. O cálculo.
29 de setembro – 13 de outubro: um servidor dedicado
Um pequeno servidor na nuvem executou a regra o tempo todo, com um programa autônomo, alertas automáticos e um monitor externo de sinal de vida (heartbeat). Dinheiro simulado: ₩10.000.000. Em duas semanas, processou todos os 87 candles de quatro horas no prazo, registrou zero erros e coincidiu, operação por operação, com um replay independente. Também vendeu cinco vezes e perdeu cinco vezes: −₩392.842, −3,93%. Desde 7 de outubro, ficou parado em caixa porque o Bitcoin caiu abaixo da sua média, o que evitou uma queda maior. O livro-razão completo e a auditoria.
Um estudo final de 31.407 configurações de indicadores em oito durações de candle confirmou o padrão: quanto mais curto o candle, menos dinheiro sobrevivia aos custos. Resultados por tempo gráfico.
O que diríamos a qualquer pessoa que esteja construindo um bot
- Antes de tudo, compare a sua vantagem por operação com o seu custo por ida e volta.
- Uma taxa de acerto não significa nada sem o tamanho do movimento.
- Escolha as moedas do backtest do jeito que você poderia tê-las escolhido na época.
- Analise as perdas por motivo de saída; um único bug pode parecer uma estratégia ruim.
- Semanas de resultados ao vivo não comprovam uma estratégia. Use-as apenas para verificar se o sistema segue as suas regras.
- Um sistema que segue suas regras à perfeição ainda pode perder dinheiro.
Tudo o que testamos está listado no cemitério de estratégias.