Vocês já perceberam? Os novos ricos desta geração, como Liang Wenfeng e Jeff Yan, chegaram à casa dos 30 e já se tornaram bilionários!
Muitos amigos nascidos nos anos 1980 dizem que isso aconteceu porque, nesta geração, foi mais fácil ganhar dinheiro: eles aproveitaram o boom da IA e da internet.
Na verdade, para ser mais preciso, todos têm algo em comum: a capacidade e o conhecimento necessários para fazer trading algorítmico!
Por exemplo, Liang Wenfeng trabalhou com trading quantitativo por oito anos antes de criar a DeepSeek.
Antes de criar a Hyperliquid, Jeff Yan trabalhava com trading algorítmico de ações americanas na HRT.
À primeira vista, esses setores não têm nada a ver um com o outro. Mas, quando analisamos a forma de pensar dessas pessoas, percebemos que o trading quantitativo lhes proporcionou quatro habilidades que dificilmente se desenvolvem em um emprego comum.
Primeiro: use um sistema para executar estratégias, em vez de confiar no “feeling”
Liang Wenfeng disse certa vez: “Negociação quantitativa não é aposta; é usar probabilidades para vencer a natureza humana.”
E disse algo ainda mais contundente: “Transforme a ganância e o medo humanos em entradas e saídas de um algoritmo.”
O dia a dia de um trader quantitativo não é dizer “acho que vai subir”, mas perguntar: quantas vezes esse sinal apareceu no histórico? Qual foi a taxa de acerto? Qual foi a relação entre ganhos e perdas?
Qual foi o rebaixamento máximo? Primeiro, escreva as regras; depois, execute-as. Primeiro, construa o sistema; depois, faça a aposta.
Depois de sair da HRT, Jeff Yan foi para Porto Rico, começou com 10 mil dólares e trabalhava 14 horas por dia. Partiu de scripts em Python e fez o programa operar automaticamente 24 horas por dia.
Ele não deu a volta por cima confiando no “feeling de acompanhar o mercado”; foi graças a um sistema capaz de funcionar repetidamente.
Segundo: tire as emoções das decisões
Uma descrição psicológica de Liang Wenfeng acerta em cheio: “Racionalidade objetiva extrema; negociação sem emoções.
Quase abandonar as impressões subjetivas e tomar decisões com dados e modelos, diante das altas e baixas do mercado e do ruído da opinião pública.”
A High-Flyer também já passou por um grande rebaixamento em um único mês, mas ele aceitou as “perdas inevitáveis em um mundo de probabilidades”. O importante é controlar o rebaixamento máximo e não abandonar toda a estrutura por causa de resultados ruins no curto prazo.
A primeira reação de uma pessoa comum ao perder dinheiro é: “Preciso recuperar o que perdi.” A primeira reação de alguém com formação quantitativa é: o sinal deixou de funcionar ou o sistema está operando dentro da faixa normal de tolerância?
Não deixar as emoções entrarem no processo de decisão é memória muscular.
Terceiro: integrar conhecimentos — habilidades fundamentais podem ser aplicadas em outro campo
Liang Wenfeng levou para a DeepSeek o que desenvolveu na High-Flyer: a capacidade de engenharia para construir clusters próprios de supercomputação, a intuição de modelagem para processar grandes volumes de dados com aprendizado de máquina e a busca incansável pela máxima utilização do poder computacional.
Ele chamou isso de “transferir as capacidades de engenharia quantitativa para o treinamento de grandes modelos”.
O mesmo vale para Jeff Yan. O treinamento em negociação algorítmica na HRT deu a ele uma compreensão quase instintiva da microestrutura do mercado. Mais tarde, ao desenvolver os contratos perpétuos e o sistema de negociação on-chain da Hyperliquid, ele aplicou a mesma habilidade fundamental: criar um sistema de regras capaz de operar de forma estável em um ambiente de extrema incerteza.
Quarto: limites claros — saber o que não fazer é mais importante do que saber o que fazer
Quem vem da área quantitativa tem um respeito quase obsessivo pelos “limites”.
Um profissional com certificação CQF e responsável pelos negócios quantitativos da Guojin Securities disse algo muito certeiro: “O que realmente tem valor são, sempre, as pessoas capazes de entender o mercado, gerenciar riscos e saber claramente quais são os limites de seus modelos.”
O princípio central do pensamento quantitativo não é “ser capaz de fazer tudo”, mas primeiro traçar um círculo: apostar dentro dele e não tocar no que está fora.
Quanto mais claros forem os limites, menor a chance de o sistema entrar em colapso.
O que as pessoas comuns mais deveriam aprender não é a fazer negociação quantitativa. A barreira de entrada é altíssima, e a grande maioria não consegue seguir esse caminho.
Mas você pode incorporar estas quatro coisas:
Antes de tomar uma decisão, defina as regras — não deixe as emoções virem primeiro.
Troque “será que meu feeling está certo desta vez?” por “meu sistema está funcionando normalmente?”.
Para terminar, uma observação prática: se você não quer montar um sistema do zero, aproveite bem a Binance AI. No mercado, há empresas especializadas em serviços de parâmetros técnicos para robôs: elas tornam os parâmetros transparentes e definem claramente os limites. O modelo de parceria costuma envolver um custo inicial de integração bem baixo e, depois, uma divisão dos ganhos baseada no desempenho. Não prometem retornos; responsabilizam-se apenas pelos parâmetros.
Trabalho há muito tempo com esse tipo de serviço de parâmetros técnicos para robôs, e o que mais me preocupa é quando um cliente começa perguntando: “Quanto dá para ganhar?”.
Na verdade, nós, prestadores desse tipo de serviço, seguimos outra regra: primeiro vemos se você aceita o rebaixamento máximo; depois, se os parâmetros são transparentes; só então conversamos sobre como será a divisão dos ganhos.
Se quiser saber quais são os critérios de seleção, escreva “parâmetros” nos comentários. Vou enviar uma lista de verificação para a parceria que não considera promessas de retorno, apenas a clareza dos limites.