FoldAlpha – valide estratégias de investimento com IA e até receba alertas automáticos, em linguagem natural

(app.foldalpha.com)

4 pontos por sbyoun 2026-04-09 | Ainda não há comentários. | Compartilhar no WhatsApp

Investimento com IA, todo mundo se interessa, não é?

Se você olhar o X ou o Threads, há realmente muitos posts compartilhando experiências de investir com IA. Se pedir para um agente de programação, ele até cria uma estratégia de investimento em um clique e também pode executá-la. Provavelmente, a maioria começa pedindo à IA para escolher ações.

Mas essa abordagem tem uma limitação estrutural. Investimentos baseados no julgamento da IA são difíceis de validar cientificamente. Como a IA já foi treinada com dados do passado, pedir algo como “escolha ações olhando as notícias de março de 2020” não faz muito sentido — ela já conhece o resultado. No fim, só resta rodar isso ao vivo e acompanhar o lucro real, sem uma forma de estimar os retornos antecipadamente.

Quando você percebe isso, naturalmente passa a se interessar pela abordagem quant — screening baseado em fatores, backtest orientado por dados. Acho que esse é o caminho correto para quem quer sistematizar investimentos de forma séria.

Mas os dados são mais difíceis do que parecem

Para fazer investimento quant, é preciso ter dados. Para que um backtest faça sentido, é necessário ter mais de 10 anos de dados do mercado coreano: candles diários, demonstrações financeiras e fluxo de oferta e demanda. Claro, se você pedir a um agente de programação, ele até coleta isso. Mas obter tudo de forma gratuita e pontual tem mais limitações do que parece. Quando você leva em conta limites de chamada de API, consistência dos dados e tratamento de ações deslistadas, dá bastante trabalho.

Além disso, se quiser conectar um motor de backtest, jobs agendados rodando todos os dias, alertas e depois até trading automatizado, há bastante coisa para fazer.

Por isso, o FoldAlpha foi criado para deixar esse ambiente já pronto e fácil de usar em linguagem natural.

O que dá para fazer

Backtest em linguagem natural: ao definir em linguagem natural uma estratégia como “ações com PBR abaixo de 0,5 e margem operacional acima de 10%, com rebalanceamento trimestral”, o agente converte isso em SQL e executa um backtest de 10 anos. CAGR, MDD, Sharpe Ratio e até retorno excedente em relação ao KOSPI são calculados automaticamente.
Job agendado + alerta no Telegram: se você cadastrar uma condição como “todos os dias às 9h da manhã, analise ações com potencial de forte alta”, isso será executado automaticamente todos os dias e o resultado será enviado no Telegram.
Perguntas e respostas sobre dados financeiros: é possível consultar e analisar demonstrações financeiras, preço de ações e dados de fluxo de oferta e demanda em linguagem natural.

Eu mesmo invisto de verdade com esses dados, selecionando ações e rebalanceando mensal ou trimestralmente nos mercados da Coreia e dos EUA. Não dá para dizer que a rentabilidade é extraordinária, mas considero essa a forma mais lógica e objetiva que uma pessoa física pode adotar.

Investimento com recomendações de IA também é possível, claro

Notícias, análise de resultados, “ações beneficiadas pela cadeia de valor de HBM”, “ações beneficiadas pelas tarifas de Trump” — quase todo mundo ao redor investe assim.

Isso também é totalmente possível. Se você registrar em um job agendado algo como “analise todos os dias, com base em notícias, as ações com potencial de forte alta hoje”, o agente pesquisa e analisa notícias em tempo real, faz recomendações diariamente e ainda permite acompanhar se elas realmente subiram no dia seguinte. No momento, estou rodando esse cenário ao vivo e acumulando resultados.

Agora, estou pensando em observar um pouco mais os resultados das recomendações ao vivo e, na próxima etapa, conectar isso até ao trading automatizado. Com base na API da Korea Investment & Securities, a configuração inicial é um pouco complexa, mas se o usuário só registrar a chave, a parte de enviar ordens em si não deve ser difícil.

Para abordar de forma científica uma estratégia de investimento baseada em notícias, também é necessário construir um arquivo de notícias, mas coletar notícias antigas de forma retroativa parece ser um desafio difícil até para a Bloomberg. Pretendo resolver isso no longo prazo.

Como foi feito

Naturalmente, foi feito com vibe coding. Estou usando Claude Code, Codex e Cursor de várias formas. Mas fazer tudo com vibe coding não é simplesmente “um clique”. Em especial, na parte de runtime de agente LLM — a construção do harness — foi preciso ir bem a fundo.

No começo, o agente produzido pelo vibe coding era um pipeline complexo com um intent classifier + 9 ferramentas, mas a latência era alta e a expansão não funcionava bem. Depois de analisar a arquitetura de agentes de programação lançados recentemente, como Claude Code e Codex CLI, redesenhei tudo para uma estrutura leve de single-loop, em que o LLM decide diretamente a cada etapa, e a latência caiu mais de 2 vezes. Documentei esse processo em um relatório técnico e também publiquei o código do runtime como open source.

Stack técnica:

Front-end: Next.js (Vercel)
Back-end: Fastify (Node.js)
Runtime do agente LLM: Python, implementação própria — padrão de agente single-loop
Banco de dados de ações: Oracle Autonomous DB (10 anos de candles diários, dados financeiros e fluxo de oferta e demanda do mercado coreano)
Dados de usuário: Supabase (PostgreSQL)
Busca de notícias: Brave Search API
LLM: Gemini / GPT / Claude (BYOK — o usuário usa a própria API key)

Infraestrutura: tudo em free tier

Vercel: hospedagem do front-end
Supabase: banco de dados de usuários + autenticação
Oracle ADB: banco de dados de ações (Always Free)
Oracle Cloud: 1 instância de VM — estou rodando tanto o servidor de produção quanto o de desenvolvimento aqui
Cloudflare: domínio + CDN

O único custo é a compra do domínio. Estou rodando produção e desenvolvimento na mesma instância, separando apenas pelas portas.