Por Que a Maioria dos Traders de Varejo Perde Dinheiro (o Que a Pesquisa Mostra)

Atualizado em 25/08/2026

Esta explicação também virou carrossel no nosso Instagram, onde a gente publica todo dia sobre algotrading e mercado: ver no @invista.ja. Por lá também ficam os bastidores do portfólio que roda em conta real, com o saldo aberto.

Opero mercado há mais de 13 anos, os últimos rodando robôs com dinheiro real, e essa pergunta (“por que a maioria perde?”) me acompanha desde o primeiro stop. A resposta que circula por aí quase sempre para na psicologia: disciplina, emocional, “corte o prejuízo cedo”. Tudo isso existe e está medido, e eu chego lá. Mas depois de auditar meus próprios resultados com a régua estatística mais dura que encontrei (a mesma que uso na série do meu portfólio de robôs), a conclusão que me restou é mais incômoda: a maioria perde por aritmética antes de perder por emoção. E perde inclusive quando “testa antes”, porque testa errado. Eu sei porque já montei uma carteira com Sharpe 5,24 que a minha própria auditoria reprovou, e mostro os números dela abaixo, junto com o motivo matemático de um backtest bonito valer tão pouco, que detalho no artigo sobre o Sharpe deflacionado.

O que a pesquisa mostra: acompanhando os 19.646 CPFs que começaram a fazer day trade em futuros de índice na B3 entre 2013 e 2015, Chague, De-Losso e Giovannetti encontraram que 97% dos 1.551 que persistiram por mais de 300 pregões terminaram no prejuízo; só 1,1% (17 pessoas) ganhou mais que um salário mínimo, e os autores não encontraram evidência de aprendizado com o tempo de tela (Chague, De-Losso e Giovannetti, 2020).

O estudo brasileiro que encerrou a discussão

Durante anos o debate sobre trader de varejo no Brasil rodou em cima de estudos estrangeiros e de achismo de curso. Isso acabou em 2019, quando Fernando Chague, Rodrigo De-Losso e Bruno Giovannetti publicaram Day Trading for a Living? (versão final em 2020). Eles pegaram todas as pessoas físicas que começaram a fazer day trade em futuros de índice na B3 entre 2013 e 2015, um universo de 19.646 indivíduos, e seguiram o resultado de cada uma, dia a dia, líquido de custos.

O funil é brutal em cada estágio. A imensa maioria desiste rápido, o que já diz muito: quem prova o produto, em geral, não volta. Sobraram 1.551 pessoas que persistiram por mais de 300 pregões, o grupo que qualquer curso chamaria de “dedicado, consistente, que levou a sério”. Nesse grupo:

• 97% terminaram no prejuízo, e estamos falando de gente com mais de 300 pregões de prática acumulada, muito além do primeiro mês de empolgação.
• Só 1,1% (17 pessoas) ganharam mais que o salário mínimo da época (cerca de US$ 16 por dia na conversão do estudo).
• Só 0,4% (8 pessoas) ganharam mais que o salário inicial de um bancário (US$ 54 por dia).
• O melhor trader da amostra inteira fez em média US$ 310 por dia com desvio-padrão de US$ 2.560. Isso significa meses inteiros no vermelho para o número 1 do país no período.

E o achado que mais me marcou, porque contradiz a promessa central de toda a indústria de cursos: os autores não encontraram evidência de aprendizado. O desempenho não melhora com o tempo de tela. Persistir não cura. Quem estava perdendo no pregão 100 seguia perdendo no pregão 400, em média com prejuízo acumulado maior. A tese de que “os 95% que perdem são os que desistem cedo” morreu nesse dado: o estudo olhou justamente para os que não desistiram.

Os números de fora contam a mesma história

O dado brasileiro não é uma jabuticaba. Barber, Lee, Liu e Odean (2014) analisaram 15 anos de registros completos da bolsa de Taiwan (1992 a 2006, todos os day traders do mercado) e encontraram que menos de 1% deles conseguia lucro previsível líquido de custos. Na Europa, desde a intervenção da ESMA em 2018, toda corretora de CFD é obrigada a estampar no site o percentual de contas de varejo que perdem dinheiro; a faixa que fundamentou a regulação ficava entre 74% e 89%, e é isso que você lê até hoje no rodapé de qualquer corretora regulada. Três mercados diferentes, três metodologias diferentes, a mesma ordem de grandeza.

A parte comportamental também está medida, e ela é real. Odean (1998) mostrou, em contas reais de corretora, que o investidor pessoa física realiza um ganho com propensão cerca de 1,5 vez maior do que realiza uma perda. Segura o perdedor, corta o vencedor. O resultado prático aparece em qualquer amostra de varejo: taxa de acerto alta (60% e pouco é comum) com perda média muito maior que o ganho médio, e o produto das duas coisas dá negativo. Eu não desprezo esse mecanismo. Só que ele explica como a conta sangra, e ainda não explica por que ela sangra mesmo quando a pessoa faz tudo “certo”: define método, testa no histórico, valida, e só então opera. Essa camada é a que a pesquisa acadêmica cobre pouco e que eu vivi na pele. É dela que trato agora.

O acaso produz estratégias vencedoras em escala industrial

Aqui está o motivo estatístico de o varejo perder inclusive quando testa. Quando você experimenta muitas estratégias no mesmo histórico, a melhor delas vai parecer excelente mesmo que nenhuma tenha vantagem alguma, porque você está colhendo o máximo de uma distribuição de ruído. Bailey e López de Prado (2014) formalizaram isso, e eu não aceitei de fé: rodei a simulação no meu próprio ambiente, com janela de build de uns três anos, medindo o melhor Sharpe que o puro acaso entrega em função do número de tentativas. O resultado:

Pense no que isso significa para quem ajusta setup em replay, otimiza indicador em planilha ou gera robôs em software. Com 600 tentativas (um fim de semana de otimizador), o ruído sozinho fabrica um Sharpe 1,8, um número que a maioria comemoraria como prova de competência. O trader de varejo que “validou no gráfico” fez, sem perceber, centenas dessas tentativas: cada ajuste de período de média, cada filtro de horário, cada stop testado é uma tentativa a mais elevando o teto do acaso. Ele termina com uma estratégia que parece vencedora, opera com convicção, e a convicção é estatisticamente indistinguível de sorte passada. Aí o mercado cobra o spread, o emocional entra por cima, e o resultado é a estatística da FGV.

Eu montei uma carteira de Sharpe 5,24 e a minha auditoria reprovou

Esse mecanismo me pegou com 13 anos de experiência e processo formal de validação, então não me entenda como alguém pregando de cima do muro. Em junho de 2026 eu rodei um construtor de portfólio sobre um pool de 139 robôs meus, com seis regras de disciplina que eu considerava rigorosas. Saíram 42 robôs e o Sharpe do conjunto saltou de 3,76 para 5,24. Toda métrica de vitrine dizia “melhorou”. Antes de colocar dinheiro, submeti o resultado a uma auditoria adversarial, re-derivando os números por caminhos independentes.

O veredito me doeu. Quando eu sorteava carteiras aleatórias com a mesma estrutura, a seleção “inteligente” dava Sharpe ~4,7 de qualquer jeito, e o meu 5,24 estava no percentil 100 de 2.000 sorteios, acima de todas as 2.000 carteiras sorteadas, no topo absoluto da distribuição do acaso. Esse extremo é a assinatura clássica de um número maximizado contra o próprio alvo. Pior: em dólar somado, o resultado líquido da carteira “otimizada” caía em relação ao pool original. Eu tinha selecionado memória do período de teste, e memória não paga boleto no mês seguinte. A frase da auditoria que ficou pregada na parede: o exercício respondia “qual pedaço do passado teria sido melhor no próprio passado”. Joguei o portfólio fora e recomecei a seleção com regras pré-registradas.

Registro isso aqui porque é o elo que falta na discussão sobre varejo. Se um processo com covariância, teto de fator e auditoria formal fabricou uma ilusão dessas, o teste visual de quem passa o fim de semana no replay não tem chance. O que me separou da estatística da FGV foi uma segunda camada de verificação, desenhada para desconfiar da primeira, que disparou antes do dinheiro sair. Talento nem entrou na conta.

Essa segunda camada tem etapas definidas, e eu descrevo cada uma delas em como validar uma estratégia antes de pôr dinheiro, do fundamento econômico ao teste fora da amostra.

O tombo real é 1,75 vez o tombo do backtest

Tem um segundo número meu que completa o quadro. Medi, no meu próprio pipeline, quanto o drawdown observado no futuro infla em relação ao drawdown do período de seleção, usando dobras com horizonte igual dos dois lados. Resultado: o drawdown real forward é cerca de 1,75 vez o do backtest, e isso só por viés de seleção, antes de qualquer mudança de regime. A mecânica é simples de enunciar: quando você escolhe estratégias porque elas foram bem num período, você escolheu, junto, as que tiveram a sorte de tomar tombos pequenos ali. No futuro a sorte não acompanha, e o tombo volta ao tamanho natural.

Esse número explica um roteiro que todo mundo que convive com traders já viu: a pessoa testa, vê drawdown máximo de 10%, dimensiona a banca para aguentar 15% “com folga”, e quebra quando o real vem em 18%. O erro dela estava na régua, e a estratégia até podia prestar. Quem dimensiona risco pelo drawdown do backtest está, na prática, dimensionando pela versão mais sortuda da própria estratégia. Hoje eu multiplico qualquer drawdown de teste por pelo menos 1,75 antes de decidir capital, e trato esse fator como piso, não como teto.

O que eu faço de diferente depois de 13 anos

Primeiro, o desabafo honesto: automatizar não resolve sozinho. Robô mal validado perde igual, só perde mais rápido e sem culpa. Eu rodo robôs porque eles me dão o que o manual não dá: registro completo, disciplina de execução e, principalmente, a possibilidade de aplicar estatística de verdade sobre o processo. O valor mora no método que decide qual robô merece dinheiro, e esse método vem antes de qualquer linha de automação.

Na prática, o meu processo tem três camadas que atacam exatamente os números deste artigo. Contra o teto do acaso, toda estratégia que sai do garimpo é deflacionada pelo número real de tentativas que a geraram (se eu testei milhares, a barra sobe para o nível que o ruído alcança com milhares), e um Sharpe que não supera essa barra não avança. Contra a memória disfarçada de vantagem, nenhuma seleção minha se mede no período em que foi escolhida: a régua é sempre um período posterior, intocado, comparado contra a alternativa burra de dividir capital igualmente entre tudo (se o meu processo sofisticado não bate a divisão igual, o sofisticado morre). Contra o drawdown otimista, capital dimensionado com a folga de 1,75 e um disjuntor de perda máxima que desliga tudo num limite definido antes, por escrito, quando eu ainda estou calmo. Nada disso é receita de entrada. É engenharia de sobrevivência, e é a parte que os 97% do estudo da FGV nunca chegaram a montar, porque ninguém vende curso disso.

A pergunta honesta que sobra para cada leitor é a mesma que eu me faço a cada portfólio novo: o meu resultado esperado vem de uma vantagem que eu consigo explicar e medir fora da amostra, ou vem do fato de eu ter olhado muitas combinações até uma parecer boa? A pesquisa diz que, para 97% dos que insistem, a resposta verdadeira é a segunda. E o meu Sharpe 5,24 no percentil 100 diz que eu não sou imune. A diferença entre estatística e destino é ter um processo que responde essa pergunta com número, antes do dinheiro.

Quantos por cento dos day traders ganham dinheiro no Brasil?

No estudo da FGV/USP (Chague, De-Losso e Giovannetti, 2020), dos 1.551 que persistiram por mais de 300 pregões entre 2013 e 2015, só 3% terminaram no lucro. Apenas 1,1% ganhou mais que um salário mínimo e 0,4% ganhou mais que o salário inicial de um bancário. O melhor trader da amostra teve média de US$ 310 por dia com desvio-padrão de US$ 2.560.

Esse mesmo estudo da FGV/USP entra numa lista maior que reuni com fonte e link, do mercado algorítmico de US$ 21 bilhões ao dado de Taiwan com 15 anos de histórico: 45 números do trading algorítmico com fonte.

Trader melhora com o tempo de experiência?

O dado brasileiro diz que não: os autores procuraram evidência de aprendizado nos que persistiram e não encontraram. O desempenho médio não melhora com mais pregões operados. Em Taiwan, Barber, Lee, Liu e Odean (2014) chegaram a um quadro parecido em 15 anos de dados: menos de 1% dos day traders é previsivelmente lucrativo líquido de custos.

Usar robô resolve o problema?

Sozinho, não. O robô executa com disciplina, mas se a estratégia dentro dele foi escolhida testando centenas de variações no mesmo histórico, ele automatiza uma ilusão estatística: com 600 tentativas, o puro acaso já produz Sharpe ~1,8. O que muda o jogo é o método de validação (deflação pelo número de tentativas, medição em período intocado, comparação contra divisão igual de capital), e ele vale para robô e para operação manual.

Por que quem faz backtest também perde?

Por dois vieses que eu medi no meu próprio processo: o melhor resultado de muitos testes tende a ser sorte colhida no extremo da distribuição (minha carteira de Sharpe 5,24 estava no percentil 100 de 2.000 sorteios aleatórios e foi reprovada), e o drawdown futuro real é cerca de 1,75 vez o do backtest, só por viés de seleção. Quem dimensiona banca pelo tombo do teste quebra com a estratégia “certa”.

Referências

• Chague, F.; De-Losso, R.; Giovannetti, B. (2020). Day Trading for a Living? FGV-EESP / FEA-USP. SSRN 3423101.
• Barber, B. M.; Lee, Y.-T.; Liu, Y.-J.; Odean, T. (2014). The Cross-Section of Speculator Skill: Evidence from Day Trading. Journal of Financial Markets, 18, 1-24. ScienceDirect.
• Odean, T. (1998). Are Investors Reluctant to Realize Their Losses? Journal of Finance, 53(5), 1775-1798. Wiley.
• ESMA (2018). ESMA agrees to prohibit binary options and restrict CFDs to protect retail investors. Comunicado oficial.
• Bailey, D. H.; López de Prado, M. (2014). The Deflated Sharpe Ratio: Correcting for Selection Bias, Backtest Overfitting and Non-Normality. Journal of Portfolio Management. SSRN 2460551.