O que foram essas 13 mil estratégias testadas?
Não era um sorteio maluco. Aqui está o método: usei IA para gerar regras de entrada baseadas em combinações de indicadores técnicos simples — cruzamentos de médias móveis, RSI em zonas, MACD, Bollinger Bands, volume. O tipo de coisa que você encontra em qualquer manual de análise técnica.
Cada estratégia tinha:
- Um critério de entrada (ex.: "média móvel de 20 candles cruza acima da de 50")
- Um critério de saída (ex.: "close abaixo de Bollinger Band inferior" ou "ganho de X%")
- Um stop loss fixo (ex.: 2% do valor operado)
A IA variou período das médias, limites de RSI, número de candles, combos de indicadores — tudo no universo de mini índice (WIN). Histórico de 2 anos de pregão, dados reais de abertura, fechamento, máxima e mínima. Nada de ficção.
Resultado no backtest: algumas estratégias faturaram 15%, 20%, até 30% em período. Parecia ouro. Bastava rodar no pregão que…
Nada funcionou.
Por que lucro no papel não é lucro no pregão?
Aqui entra o inimigo número um: overfitting. A estratégia se ajustou perfeitamente aos últimos 2 anos de dados — como um terno feito sob medida para um corpo específico. Ponta a ponta. Mude uma costela, o terno não serve mais.
No backtest, a IA "viu" as melhores entradas porque já conhecia o preço de amanhã. É vantagem injusta. Na vida real, você não tem essa visão. O mercado traz dados novos, padrões que não estavam naquela série histórica. A regra que ganhou toda vez nos últimos 2 anos perde 4 vezes seguidas na primeira semana viva.
Segundo problema: custos invisíveis no backtest. Muitas ferramentas não descapitalizam spread, deslizamento (slippage) e comissão com precisão. Um sinal que "ganha" R$ 150 no papel pode custar R$ 200 em custos reais. O resultado fica vermelho sem você perceber.
Terceiro: liquidez e execução. Um mini índice pode ter volume em determinada hora do dia, mas sua estratégia entra em horários de baixa liquidez. O preço que você quer pagar não existe. Você entra pior, sai pior, e o edge some.
O viés estatístico que destrói estratégias
Se você testa 13 mil regras diferentes contra os mesmos 2 anos de dados, estatisticamente algumas vão ganhar por puro acaso. É como jogar 13 mil moedas no ar: algumas vão cair cara 10 vezes seguidas, só pela sorte.
Chama-se múltiplos testes ou data snooping. Quanto mais variações você testa, maior a chance de encontrar uma que se encaixa nos dados históricos — não porque funciona, mas porque aquele padrão já passou.
Um teste bem feito teria:
- Out-of-sample: separa dados em treino (1 ano) e validação (1 ano). A IA aprende com 1 ano, você testa com o outro.
- Walk-forward: simula o tempo passando. Treina com Jan-Jun, valida em Jul-Dez, depois retraina com Fev-Jul, valida em Ago-Jan… e assim vai. Imita operação viva.
- Margem de segurança (safety margin): a estratégia só passa se ganhar não apenas no backtest, mas com margem acima do esperado por acaso.
A maioria dos backtests que você vê online não faz nenhuma dessa. Treina, testa e reporta resultado no mesmo período. Claro que ficou perfeito — era fraude estatística.
Quanto de risco a estratégia realmente aceitava?
Muita estratégia backtestada tinha um stop loss de 2% por operação, o que parecia prudente. Mas uma coisa é falar "2% por operação"; outra é viver um drawdown de 15% a 20% ao longo de um mês.
O problema: não havia proteção de portfólio. Nenhuma regra dizia "se você perdeu 10% este mês, fecha todas as operações amanhã". Então a estratégia levava toco, toco, toco, 8 operações seguidas com stop, e quando chegava a 9ª, não tinha capital emocional nem patrimonial para continuar.
Day traders rentáveis que mentorei têm uma característica em comum: gestão de risco em duas camadas:
- Por trade: nunca arrisca mais que 1% do capital de risco (alguns mais conservadores, 0,5%)
- Por dia: se bater um loss limit (ex.: -3% do patrimônio), encerra o pregão
Nenhuma das 13.881 estratégias tinha a segunda camada. Era risco acumulativo sem teto.
O que diferencia uma estratégia real de uma que só parecia boa
Dos 13 mil testes, uma dúzia — digamos, 12 — passou em validação decente fora da amostra. Menor lucro (8% a 12% em 2 anos, não 30%), mas racional. Maior drawdown também (15%, não 5%). Pareciam mais realistas.
As que sobreviveram tinham em comum:
- Simplicidade: 1 a 2 indicadores, não 5. Quanto menos variáveis, menos chance de ajuste falso.
- Expectativa matemática positiva clara: taxa de acerto de ~52% a 55%, payoff maior que perda média. Nada miraculoso.
- Testadas em múltiplos períodos históricos: rodei em mini índice 2020-2022, depois 2021-2023. Padrão se repetia.
- Com espaço para degeneração: se uma regra ganhava 10% no backtest, eu aceitava operar como se valesse 6% (margem de segurança).
Mas nem essas garantem renda. Elas só garantem que o modelo estatístico faz sentido. O trader ainda precisa disciplina, gestão de risco viva e psicologia.
A verdade sobre IA e day trade
IA não é mágica. É um acelerador para testar hipóteses. Se você alimenta lixo (dados ruins, premissas ilusórias), sai lixo magnificado. Se você alimenta método (dados limpos, validação honesta, gestão de risco), sai insight que você sozinho não testaria manualmente.
No meu caso, os 13 mil testes não "criaram" nem uma estratégia vencedora. Eliminaram 13 mil perdedoras. Isso vale ouro. Você economiza meses de tentativa e erro testando o mesmo indicador de 47 formas diferentes.
Mas o aprendizado real foi diferente: entendi que a maioria dos padrões técnicos em dados de 2 anos é ruído, não sinal. O mercado muda. Volatilidade muda. Liquidez muda. Uma regra que roda bem em 2020 (ano calmo) não aguenta 2022 (ano volátil). Ponto.
Como você deve usar essa informação para operar
Se você está testando estratégia agora ou pensando em montar uma:
- Separe sempre dados de treino e validação. Mínimo: treina em 60%, valida em 40% do histórico. Melhor: walk-forward (simula o tempo passando).
- Conte custos reais. Spread, deslizamento, comissão. Pergunte à sua corretora a comissão por operação, o spread médio no ativo que quer operar (varia conforme a corretora e a volatilidade — consulte a tabela de margem e custos da sua corretora).
- Teste simplicidade antes de complexidade. 1 indicador bem testado bate 5 indicadores backtestados. Menos parâmetros = menos overfitting.
- Exija expectativa matemática positiva clara. Taxa de acerto × payoff médio > perda média × (1 - taxa de acerto). Se a conta não fecha, a estratégia não é operável.
- Coloque sempre um teto de risco diário. Não é só "2% por trade". É "perdi 5% hoje, amanhã não opero" ou "se fechar no loss limit, encerro". Essa segunda camada salva capital.
- Simule antes de operar de verdade. Teste a estratégia em simulador por 1 mês. Se não ganhar em simulador com disciplina, não vai ganhar em pregão.
Conclusão
13 mil estratégias backtestadas, nenhuma sobreviveu. Não é porque day trade é impossível. É porque a maioria dos backtests é enganação: falta rigor estatístico, custos reais, validação fora da amostra e gestão de risco em duas camadas. A IA não criou estratégias vencedoras; eliminou perdedoras e me mostrou que o mercado é mais complexo do que indicadores técnicos.
Se você quer operar com método, não basta ter uma entrada bonita. Você precisa de gestão de risco que sobreviva a drawdown, validação honesta e a aceitação de que o número impressiona, mas a disciplina é que lucra.
Quer operar com dados em vez de achismo?
O Sistema Quant une inteligência artificial e análise quantitativa para você estudar o mercado com método. Acompanhe as aulas gratuitas no canal Altino Junior e o dia a dia no Instagram @altino_junior e @sistemaquant.
Perguntas frequentes
Por que o backtest de uma estratégia pode ser enganoso?
Backtests são enganosos quando treina e testa nos mesmos dados (overfitting), não descapitalizam custos reais (spread, comissão, slippage) ou testam muitas variações até encontrar uma que funciona por acaso (data snooping). A solução é separar dados de treino e validação, contar custos reais e usar walk-forward test para simular tempo passando.
Como saber se minha estratégia de day trade tem expectativa matemática positiva?
Multiplique a taxa de acerto pela média de ganho por operação, depois subtraia (1 - taxa de acerto) × média de perda. Se o resultado for positivo, a expectativa é positiva. Exemplo: 55% de acerto, ganho médio R$ 200, perda média R$ 150. Conta: (0,55 × 200) - (0,45 × 150) = 110 - 67,5 = +42,5. Estratégia operável.
O que é overfitting em trading?
Overfitting é quando a estratégia se ajusta perfeitamente aos dados passados porque "vê o futuro" durante o backtest. A regra funciona nos últimos 2 anos porque aprendeu cada candle daquele período, mas no pregão vivo enfrenta padrões novos e falha. Para evitar, teste em dados que a estratégia nunca viu (validação fora da amostra).
Qual é o melhor método para validar uma estratégia de day trade?
Walk-forward test: treina em período A, valida em período B, depois retraina em período C (dados novos) e valida em período D. Isso imita operação viva porque a estratégia sempre está operando em dados que nunca viu. É mais lenta, mas honesta.
Por que estratégias que ganham 20% no backtest falham no pregão real?
Porque o backtest não captura liquidez (você entra pior), deslizamento (preço muda entre ordem e execução), comissão e spread. Além disso, mudanças de volatilidade, horários de menor volume e viés emocional do trader derrubam o resultado. O gap entre backtest e realidade custa tipicamente 30% a 50% do lucro backtestado.
Qual é o primeiro sinal de que minha estratégia é apenas ruído e não sinal real?
Se a estratégia ganha no período de 2018-2020, mas perde em 2020-2022, é sinal de ajuste falso. Padrões reais funcionam em múltiplos períodos, volatilidades e direções de mercado. Teste sua estratégia em pelo menos 3 períodos históricos diferentes. Se funciona em só um, é ruído.
Conteúdo educacional e estatístico, não é recomendação de investimento. Day trade envolve risco real de perda. Toda decisão exige gestão de risco, estudo dos dados e disciplina.