Um relatório publicado pelo CFA Institute Research and Policy Center argumenta que a migração dos mercados de uma atividade conduzida por humanos para outra dominada por algoritmos exige reconstrução teórica de todos os pilares das finanças modernas — a começar pela hipótese dos mercados eficientes (EMH), formulada por Eugene Fama em 1970.
O autor, Joseph Simonian, pesquisador sênior afiliado ao centro, trata os grandes modelos de linguagem (LLMs) como uma categoria distinta de participante de mercado. Segundo o texto, os LLMs representam ruptura qualitativa frente ao trading algorítmico tradicional, como as plataformas de alta frequência (HFT): a diferença não está em ser baseado em regras ou em aprendizado — firmas de HFT já usam gradient-boosted trees, agentes de aprendizado por reforço e arquiteturas neurais —, mas no processamento de conteúdo semântico não estruturado, como transcrições de teleconferências de resultados, notícias, redes sociais e arquivos regulatórios.
Assimetrias comprimidas, mas não eliminadas. O relatório sustenta que os LLMs reduzem materialmente assimetrias de informação ao acelerar a análise de documentos complexos — revisão de prospectos de hedge funds, preparação para reuniões, comparação de estruturas de capital e cláusulas de governança. A redução, porém, é parcial e desigual. Permanecem intactas vantagens estruturais ancoradas em estratégias proprietárias, informação privilegiada, conhecimento tácito, capital relacional e a complexidade estrutural de instrumentos privados — em crédito privado, imobiliário e infraestrutura, a limitação do modelo é descrita como ontológica, não apenas informacional, já que o LLM precisa primeiro “entender” o que é o instrumento antes de extrair sinal. O resultado provável é um cenário informacional estratificado, com risco de aprofundar uma dinâmica de “haves and have-nots”: instituições capitalizadas rodando LLMs proprietários sobre dados exclusivos, enquanto participantes menores usam modelos comerciais genéricos sobre dados públicos.
O paradoxo de Grossman-Stiglitz reescrito. O trabalho retoma o argumento de 1980 segundo o qual mercados não podem ser perfeitamente eficientes, porque a eficiência perfeita eliminaria o incentivo a pesquisar. Com o custo de processamento de informação caindo a praticamente zero por consulta, o gargalo se desloca do processamento para a descoberta e, sobretudo, para a validação de sinais. O efeito é contraintuitivo: a mineração de dados barata multiplica falsos positivos. O relatório exemplifica com um investidor que testa 10 mil sinais em 3 mil empresas ao longo de 20 anos de dados textuais — a 5% de significância, cerca de 500 fatores apareceriam como estatisticamente significantes apenas por acaso. Quando vários participantes “descobrem” o mesmo padrão espúrio, a negociação coletiva gera distorções reais de preço.
Há um problema mais profundo, segundo o autor: a validação exige um objeto estável, e LLMs são continuamente atualizados por seus desenvolvedores. Até que se acumulem dados suficientes para validar um sinal derivado de determinada versão do modelo, essa versão pode já ter mudado o bastante para invalidar o teste — questão que o relatório chama de tratabilidade epistêmica, e que implica um horizonte máximo de validação limitado pela cadência de lançamento dos modelos.
A hipótese do mercado algorítmico. A tese central é que a condição da EMH se rompe porque o conjunto de informação passa a ser dependente do modelo. Modelos de NLP formam sua visão de valor justo lendo texto; modelos de séries temporais, a partir da microestrutura de preço e volume. Como os conjuntos de informação são genuinamente distintos, as estimativas divergem — e, sempre que a diferença supera os custos de transação, existe negociação lucrativa e evidência de ineficiência. Trata-se, para Simonian, de uma nova forma de segmentação de mercado baseada não no acesso à informação, mas na arquitetura de processamento. Daí a formulação da hipótese do mercado algorítmico (AMH): os preços correntes refletem a interpretação algorítmica dominante da informação.
Fatores endógenos e fatores semânticos. Em mercados dominados por IA, os modelos de fatores tradicionais quebram porque os próprios fatores se tornam endógenos à atividade algorítmica, num laço de retroalimentação: modelos usam retornos de fatores para prever retornos de ações, a negociação gera esses retornos de fatores, que realimentam os modelos. Nesse regime, a decomposição convencional entre componentes sistemático e idiossincrático perde sentido analítico, porque tudo passa a ser sistemático. O relatório também descreve o surgimento de fatores semânticos — variáveis preditivas extraídas de padrões linguísticos e estilísticos das comunicações corporativas, como um prêmio de “clareza de comunicação” para empresas cuja gestão usa linguagem quantitativa precisa. Uma simulação apresentada no estudo mostra que aumentos modestos na taxa de decaimento ou na velocidade de adoção comprimem a vida útil de uma estratégia semântica de vários anos para menos de dois.
Monocultura algorítmica. O risco maior apontado é a convergência das instituições para modelos de fundação semelhantes, formando o que o texto chama de monocultura de IA — que corrói justamente a heterogeneidade de crenças que sustentava liquidez e permitia lucro aos informados. O relatório cita advertências do Financial Stability Board, da IOSCO e do Banco Central Europeu sobre herding de modelos e riscos de correlação, com respostas sincronizadas capazes de evaporar liquidez em episódios de estresse e produzir eventos do tipo flash crash. Como antecedentes consistentes com essa fragilidade, menciona os anúncios tarifários do início de 2025 e os pulsos de volatilidade ligados à IA em novembro de 2025.
Num estágio extremo — descrito como Nível 3 de uma progressão que parte dos preços refletindo a realidade econômica —, meta-modelos passariam a prever retornos apenas a partir do comportamento de outros sistemas de IA, negociando os traders em vez dos ativos. A análise de investimentos migraria do estudo de empresas para a engenharia reversa das fronteiras de decisão de modelos concorrentes. O autor pondera que esse descolamento é limitado, e não absorvente, já que os fundamentos acabam se realizando via fluxo de caixa, aquisição ou liquidação.
Contramedidas. Como remédios práticos, o relatório sugere ensembles com penalização de correlação que recompensem discordância entre modelos, testes de estresse de reflexividade que simulem amplificação de feedback sob choques sincronizados e protocolos de validação adversarial (“red-teaming”) desenhados para expor fragilidade em padrões de consenso. A conclusão é que a IA não resolve o paradoxo de Grossman-Stiglitz tornando os mercados perfeitamente eficientes: ela torna a eficiência radicalmente contingente, frágil e autossubvertida. A diversidade epistêmica — arquitetura, dados de treinamento, vieses indutivos e funções de perda — aparece como a salvaguarda crítica.
Fonte CFA Institute Research and Policy Center — The Algorithmic Market Hypothesis: Information Efficiency in the Age of AI, agosto de 2026. Joseph Simonian, PhD, Senior Affiliate Researcher.
