Sistemas de Trading Multiagente: Quando Uma IA Não Chega

Peça a um único modelo de linguagem para «analisar esta ação e negociá-la bem» e obtém um fluxo único de prosa segura de si a avaliar o seu próprio trabalho. A resposta de investigação mais citada para esse problema é o trading multiagente: dividir a tarefa em papéis especializados (analistas, investigadores, um trader, um gestor de risco) e fazê-los discutir antes de qualquer ordem existir. Este artigo explica o padrão através do artigo TradingAgents, mostra porque a decomposição ajuda genuinamente, leva os resultados de backtest exatamente tão a sério quanto merecem, e traduz a ideia para uso de retalho, onde precisa muito mais da estrutura do que de cinco LLM.

O que significa realmente trading multiagente

Um sistema de trading multiagente corre vários componentes de IA, cada um com uma tarefa estreita, inputs restritos e autoridade definida, coordenados através de interação estruturada: um pipeline, um debate ou um veto. É toda a definição. O contraste é o prompt monolítico, em que se pede a um modelo que seja analista, otimista, pessimista, trader e responsável de risco dentro de uma única resposta.

Porque é que o monólito tem dificuldades é mecânico, não místico. Uma única janela de contexto atafulhada de histórico de preços, notícias, fundamentais e instruções convida o modelo a ancorar-se no que leu por último. Uma resposta produz uma narrativa, e nada dentro desse processo está estruturalmente posicionado para dela discordar. Pior, o mesmo texto que argumenta a favor de uma operação também a dimensiona, por isso o juízo de risco herda o otimismo da tese que era suposto verificar.

A decomposição ataca cada fraqueza em separado. Cada papel vê apenas os dados relevantes para a sua tarefa. A discordância é engenhada em vez de esperada. E o componente que pode dizer não não é o componente que quer negociar. Para a anatomia de qualquer agente isolado num sistema destes (inputs, camada de raciocínio, ferramentas, memória, barreiras de proteção), veja como funcionam realmente os agentes de trading com IA.

Dentro do TradingAgents: uma firma feita de modelos de linguagem

O desenho de referência é «TradingAgents: Multi-Agents LLM Financial Trading Framework» (Xiao et al., arXiv:2412.20138, dez. de 2024), entre os trabalhos mais citados do campo, com mais de 250 citações. A sua arquitetura espelha deliberadamente uma firma de trading discricionário em vez de um pipeline de indicadores.

Agentes analistas especializados processam cada um uma fatia da informação: um lê fundamentais, um pontua o sentimento, um trabalha os técnicos. Uma camada de investigadores põe depois esses resultados à prova em debate explícito, argumentando os casos otimista e pessimista um contra o outro em vez de os fazer a média. Um agente trader sintetiza o que sobreviver numa ação proposta, e um agente de gestão de risco revê essa proposta antes de algo se tornar definitivo.

A escolha estrutural é o debate. Um único modelo a quem se pede equilíbrio produz uma papa de «por um lado, por outro lado» e depois escolhe um lado por razões que nunca revela. Agentes opostos que têm de responder aos pontos mais fortes um do outro comportam-se de forma diferente: uma tese que não consegue sobreviver ao seu adversário designado morre no debate, que é um lugar muito mais barato para morrer do que o mercado.

Quanto ao desempenho, os autores reportam retornos cumulativos e rácios de Sharpe melhorados face a estratégias de referência em backtests (arXiv:2412.20138, dez. de 2024). Essas duas palavras, «em backtests», carregam aqui muito peso. Uma secção posterior desmonta-as devidamente.

Porque a decomposição ajuda: três mecanismos

Contexto especializado. Cada papel recebe um prompt e dados delimitados, por isso há menos material irrelevante para ancorar e menos superfície para fabricação. O âmbito estreito também compra auditabilidade: quando uma decisão corre mal, consegue ler a transcrição e localizar qual o papel que falhou, em vez de olhar para uma longa resposta a perguntar-se onde o raciocínio se torceu.

Verificação adversarial. Os modelos de linguagem são condescendentes por defeito; completam narrativas em vez de lhes resistir. Atribuir a dois agentes a tarefa de discordar converte essa fraqueza em cobertura. O trabalho inteiro do agente pessimista é encontrar o que o otimista falhou, e é recompensado (em termos de desenho) por o conseguir. Obtém a revisão de equipa vermelha que um modelo isolado nunca dá a si mesmo.

O veto explícito. O agente de risco detém uma autoridade que os outros não têm: pode bloquear. Isso importa porque uma restrição rígida escrita como uma frase dentro de um prompt grande tem de ganhar um argumento sempre que se aplica, e por vezes perde. Uma restrição codificada como um agente separado com poder de veto não negoceia.

Os compromissos são igualmente concretos. Cada decisão custa agora várias chamadas ao modelo em vez de uma, tanto em latência como em dinheiro. A coordenação torna-se a sua própria superfície de falha: papéis mal configurados, ou debates em que ambos os lados convergem para o mesmo disparate confiante. E um sistema mais complexo é mais difícil de reproduzir e testar. A decomposição compra deteção de erros e auditabilidade. Não compra, por si só, alfa.

O que os backtests provam e não provam

O TradingAgents reporta os seus ganhos em backtests, e a própria literatura do campo explica porque essa alegação precisa de ser manuseada com luvas. Um levantamento de agentes de trading com LLM verificou que a maioria dos sistemas publicados reporta desempenho de backtest superior, ao mesmo tempo que assinala fraquezas metodológicas no campo: janelas de teste curtas, risco de lookahead e universos pequenos de ações (arXiv:2408.06361, 2024).

O problema mais afiado é a memorização. Quando os dados de treino de um modelo se sobrepõem à janela do backtest, ele consegue efetivamente lembrar-se de tickers, datas e movimentos de preço, por isso a «previsão» é em parte recordação; o desempenho degrada-se muitas vezes fora da amostra (arXiv:2505.07078, 2025). Um benchmark de 2026 com memória controlada chegou ao mesmo veredicto pelo outro lado: controle o histórico de mercado vazado e a aparente competência encolhe a pique (arXiv:2605.28359, 2026).

Portanto a leitura honesta da literatura multiagente é esta: a arquitetura melhora demonstravelmente o processo de decisão (discordância estruturada, autoridade de risco separada, raciocínio legível), enquanto a superação duradoura do mercado continua por provar. Isso coincide com o panorama mais amplo de o que os LLM conseguem e não conseguem fazer no trading: genuinamente fortes em linguagem e estrutura de raciocínio, pouco fiáveis como máquinas de previsão. Compre o padrão pela sua disciplina, não por um Sharpe de backtest.

A tradução para o retalho: separação de responsabilidades, não cinco LLM

Não vai orquestrar uma sociedade de debate de modelos de linguagem sobre a sua conta de corretagem, e não precisa de o fazer. Reduza o enquadramento de investigação ao esqueleto e o que resta é velha sabedoria de engenharia aplicada ao trading: separar a geração de sinais, a gestão de risco e a execução, e não deixar nenhum componente isolado ser dono dos três.

Na prática isso parece três camadas independentes e auditáveis. A lógica da sua estratégia propõe entradas e saídas. Uma camada de risco que ela não pode anular verifica cada proposta face a tetos de posição, limites de exposição e um disjuntor de drawdown — o equivalente de retalho ao veto do gestor de risco do artigo, detalhado em barreiras de proteção para agentes de trading com IA. Uma camada de execução encaminha depois as ordens com as suas próprias verificações. A recompensa é a mesma que na investigação: a sua estratégia pode estar errada sem que a sua conta seja destruída, porque a camada que limita o dano nunca partilhou o otimismo da tese.

Na Obside este padrão é a forma do produto e não um extra. Cada estratégia corre como o seu próprio agente, e os limites de risco são campos do agente (dimensionamento, stops, tetos de drawdown, limites de alavancagem) impostos no momento da execução, não sugestões num prompt. Digamos que corre um agente de momentum de BTC ao lado de um agente de rebalanceamento mensal de ETF: são automações isoladas com tetos separados, por isso o agente de momentum a atingir o seu limite de drawdown trava só esse agente, enquanto o de rebalanceamento continua a trabalhar. Até o passo do debate tem um análogo de retalho: o copiloto reformula a sua instrução como condições exatas antes de algo correr, forçando a discordância entre o que disse e o que quis dizer a vir à superfície enquanto ainda é gratuita.

A mesma filosofia aplica-se também um nível abaixo, dentro de uma única regra: combinar condições independentes (um nível de preço E um filtro de tendência E uma verificação de ausência de notícias) é decomposição aplicada a sinais, coberta em automações multicondição.

Para onde ir a partir daqui

Vale a pena roubar a ideia multiagente mesmo que nunca toque num enquadramento de investigação. Guarde uma pergunta deste artigo e aplique-a a qualquer configuração que avalie, incluindo a sua: pode o componente que quer negociar sobrepor-se ao componente que limita o risco? Se a resposta for sim, tem um agente a usar vários chapéus, por mais modelos que estejam a correr.

Aqui a estrutura bate a inteligência. Uma estratégia modesta dentro de uma separação de responsabilidades real sobrevive às suas próprias semanas más; uma brilhante sem camada de veto acaba por encontrar a semana que a termina. Se quer essa estrutura sem a construir, a Obside dá-lhe a versão separada por defeito: descreva a estratégia em linguagem simples, faça-lhe backtest, faça paper trading e vá para real com limites de risco que a lógica da sua estratégia não pode contestar.

Conteúdo educativo apenas. Isto não é aconselhamento de investimento. Operar envolve riscos, incluindo a possível perda de capital.