Resumo Técnico: AGENTICAITA

1. Declaração do Problema

Os sistemas convencionais de negociação algorítmica baseiam-se em heurísticas determinísticas ou modelos estatísticos treinados offline (por exemplo, aprendizado por reforço, otimização estática). Esses sistemas enfrentam uma limitação fundamental: eles codificam o conhecimento no momento do treinamento e carecem da capacidade de deliberação explícita no momento da inferência quando confrontados com regimes de mercado novos e rapidamente mutáveis. Eles não conseguem adaptar-se à complexidade semântica de novas condições de mercado sem retreinamento, deixando-os vulneráveis a deslocamentos distribucionais. Além disso, as aplicações existentes de Modelos de Linguagem de Grande Porte (LLM) em finanças (por exemplo, FinGPT, BloombergGPT) estão amplamente confinadas a tarefas de Processamento de Linguagem Natural (NLP) ou a papéis consultivos, falhando em integrar-se diretamente no ciclo de controle de execução com restrições de segurança rigorosas.

2. Metodologia e Arquitetura do Sistema

AGENTICAITA é um framework de prova de conceito projetado para substituir o paradigma tradicional "sinal-então-executar" por um loop multiagente deliberativo totalmente autônomo. O sistema opera sem treinamento offline ou intervenção humana, confiando, em vez disso, em raciocínio estruturado entre agentes LLM especializados.

A arquitetura é implantada como microsserviços contêinerizados sobre uma rede privada isolada e consiste em quatro módulos principais:

A. Motor de Gatilho Z-Score Adaptativo (AZTE)

Atuando como um alocador de recursos cognitivos, o AZTE impede que o pipeline de inferência LLM dispendioso seja ativado durante períodos de ruído de baixa entropia.

• Mecanismo: Calcula a magnitude do retorno instantâneo ($r_t$) e compara com uma linha de base móvel (30 observações) para gerar um Z-score de anomalia ($z_t$).
• Lógica de Gatilho: O pipeline é ativado se $z_t \ge 2.0$ (anomalia estatística) OU $r_t \ge 0.003$ (teto de retorno absoluto).
• Inovação: Esta abordagem de dupla condição garante invariância de regime, adaptando-se aos níveis de volatilidade sem recalibração manual, enquanto o teto absoluto previne instabilidade numérica durante períodos de baixa volatilidade.

B. Pipeline Deliberativo Sequencial (SDP)

Esta é a contribuição central agente, decompondo a tomada de decisão em uma cadeia de três agentes especializados que se comunicam por meio de contratos JSON tipados para evitar mistura de funções e viés de confirmação.

1. Agente Analista: Recebe o contexto de mercado (OHLCV, livro de ofertas, taxas de financiamento, memória episódica) e a pontuação de Diversificação por Quebra de Correlação (CBD). Ele emite um sinal de negociação estruturado (compra/venda/espera) com confiança e raciocínio.
2. Agente Gestor de Risco: Opera um gate híbrido.
   • Camada A (Determinística): Aplica restrições rígidas (por exemplo, validade do sinal, confiança $\ge 0.60$, limites de stop-loss, tamanho máximo de posição de $500) antes de qualquer chamada LLM.
   • Camada B (LLM): Se a Camada A passar, o LLM realiza validação contextual e calibração do tamanho da posição.
3. Agente Executor: O único agente com efeitos colaterais externos. Ele roteia ordens por um canal que preserva a privacidade (Tor/VPN) no modo "LIVE" ou registra decisões no modo "DRY_RUN".

C. Protocolo de Gateamento de Inferência (IGP)

Um agendador baseado em mutex que regula o acesso concorrente aos recursos compartilhados de inferência LLM.

• Função: Serializa as ativações dos agentes, garantindo que apenas um pipeline seja executado por vez. Isso previne condições de corrida, assegura execução determinística e impõe um tempo mínimo de permanência cognitiva, filtrando micro-oscilações.

D. Diversificação por Quebra de Correlação (CBD)

Uma pontuação composta ($\Omega$) integrada ao raciocínio do Analista para operacionalizar a priorização de sinais idiossincráticos em nível de carteira.

• Fórmula: $\Omega = \alpha \tilde{z}_t + (1-\alpha)\rho_{cb}$, onde $\tilde{z}_t$ é uma pontuação de anomalia saturada e $\rho_{cb}$ é uma métrica de decorrelação contra o Bitcoin.
• Propósito: Incentiva a seleção de ativos que se movem independentemente do mercado mais amplo, visando reduzir a diversificação ilusória.

E. Privacidade e Execução

O sistema emprega uma arquitetura de roteamento de duplo canal: dados de mercado são recuperados via HTTPS direto, enquanto a execução de ordens é roteada através de um circuito Tor e VPN para reduzir o vínculo entre a identidade do agente e a atividade de negociação.

3. Resultados Experimentais

O framework foi validado durante uma sessão autônoma de cinco dias em modo seco (dry-run) (6 a 11 de abril de 2026) em uma exchange descentralizada de futuros perpétuos utilizando dados de mercado ao vivo. O sistema utilizou o modelo qwen3.5:9b via Ollama.

• Correção Operacional: O sistema executou 157 invocações autônomas do pipeline em 76 ativos únicos com zero intervenções humanas.
• Fricção Agente: O sistema demonstrou uma taxa de fricção de 11,5% ($F = 11,5\%$), calculada como a soma das auto-abstenções do Analista (8,3%) e rejeições do gate rígido do Gestor de Risco (3,2%). Isso confirma que os agentes exerceram julgamento independente em vez de apenas retransmitir sinais passivamente.
• Métricas de Desempenho:
  • PnL Líquido: –$15,07 (–0,058% sobre $26.079 nominais).
  • Taxa de Acerto: 51,80% (72 vitórias, 67 derrotas).
  • Fator de Lucro: 0,841 (indicando uma perda estrutural em termos absolutos durante este regime adverso específico).
  • Comparação com Benchmark: Contra uma estratégia passiva de compra e manutenção de BTC no mesmo período (que perdeu ~15% ou –$3.912), o AGENTICAITA alcançou um alfa relativo ao benchmark de +14,94 pontos percentuais.
• Significância Estatística: Os autores afirmam explicitamente que o tamanho da amostra (139 negociações) é insuficiente para inferência de desempenho estatisticamente robusta. Um teste binomial resulta em um valor-p de ~0,34, o que significa que nenhuma vantagem direcional estatisticamente significativa pode ser reivindicada nesta etapa.

4. Contribuições Principais

O artigo identifica quatro contribuições arquitetônicas que distinguem o AGENTICAITA de sistemas anteriores:

1. Orquestração sem Treinamento: Diferentemente de sistemas baseados em RL, não requer treinamento específico para tarefas, ajuste fino ou otimização de políticas, eliminando vulnerabilidades de deslocamento distribucional.
2. Restrições de Segurança Determinísticas: O sistema impõe limites de risco verificáveis por meio de gates rígidos e contratos tipados, delimitando o comportamento do agente independentemente da estocasticidade do LLM.
3. Alocação de Recursos Cognitivos: Os módulos AZTE e IGP gerenciam custos computacionais e concorrência, garantindo que o sistema seja ativado apenas em eventos de alta informação e serialize a execução para auditabilidade.
4. Memória Episódica e Deliberação: O sistema implementa persistência entre episódios e um pipeline deliberativo estruturado (Analista $\to$ Gestor de Risco $\to$ Executor) que permite negociação inter-agente e auto-abstenção.

5. Significado e Reivindicações

O artigo posiciona o AGENTICAITA como uma prova de conceito preliminar que estabelece a viabilidade da orquestração multiagente sem treinamento, determinística e com restrições de segurança em loops de decisão financeira.

• Reivindicações Modestas: Os autores não reivindicam uma vantagem de negociação estatisticamente robusta ou lucratividade de longo prazo. Eles enquadram explicitamente os resultados como "indicadores operacionais específicos de regime", demonstrando que o pipeline deliberativo funciona corretamente sob condições de mercado ao vivo.
• Valor Primário: O significado reside na validação arquitetônica: provar que um sistema multiagente pode perceber, raciocinar, negociar e agir autonomamente dentro de limites de segurança rigorosos sem intervenção humana.
• Limitações: O artigo reconhece várias limitações, incluindo a falta de modelagem de custos de transação no modo seco (o que reduziria ainda mais o PnL), o viés de direção longa do LLM (90,4% de sinais de compra) e a necessidade de uma implantação ao vivo de 90 dias com mais de 500 negociações para estabelecer validade estatística.

Em resumo, o AGENTICAITA demonstra que a IA agente pode ser projetada para operar de forma segura e autônoma nos mercados financeiros, priorizando a correção operacional e a auditabilidade sobre a geração imediata de lucro nesta fase inicial de validação.