Estatísticas do Trading Algorítmico (2026): os números reais, com fonte

Se você quer entender trading algorítmico com dados em vez de promessa, esta página é o ponto de partida. O número mais importante que você vai ler aqui é este: de 1.551 pessoas que tentaram viver de day trade na B3 por mais de 300 pregões, 97% perderam dinheiro (Chague, De-Losso e Giovannetti, “Day Trading for a Living?”, 2020). Não é retórica. É o maior estudo já feito com dados reais de CPFs brasileiros.

Os números de apoio contam o resto da história: em Taiwan, com 15 anos de dados, menos de 1% dos day traders obteve lucro previsível líquido de custos (Barber, Lee, Liu e Odean, 2014). Na Europa, os reguladores mediram que 74% a 89% das contas de varejo em CFDs perdem dinheiro (ESMA, 2018). E do lado das máquinas, o mercado global de trading algorítmico foi avaliado em US$ 21,06 bilhões em 2024 (Grand View Research, 2024).

Eu opero robôs há mais de 13 anos e mantenho um laboratório próprio que já rodou mais de 20 milhões de backtests. Parte dos números desta página vem desse laboratório, com a metodologia aberta nos artigos do blog. O resto vem de papers primários, reguladores e agregadores com metodologia declarada. Nada de blog citando blog.

Principais números do trading algorítmico em 2026

• 97% dos day traders persistentes (mais de 300 pregões) na B3 terminaram no prejuízo (Chague, De-Losso e Giovannetti, FGV/USP 2020).
• Apenas 1,1% deles (17 pessoas em 1.551) ganhou mais que um salário mínimo por dia (Chague, De-Losso e Giovannetti, 2020).
• Menos de 1% dos day traders de Taiwan teve lucro previsível líquido de custos em 15 anos de dados (Barber, Lee, Liu e Odean, 2014).
• 74% a 89% das contas de varejo em CFDs na Europa perdem dinheiro (ESMA, 2018).
• O câmbio global negocia US$ 9,6 trilhões por dia, alta de 28% em três anos (BIS, Triennial Survey 2025).
• O dólar americano está em 89,2% de todas as operações de câmbio do mundo (BIS, 2025).
• O mercado de trading algorítmico vale US$ 21,06 bilhões e cresce a 12,9% ao ano (Grand View Research, 2024).
• Testar 600 estratégias aleatórias produz, por puro acaso, um “melhor Sharpe” esperado de ~1,8 (Bailey e López de Prado, False Strategy Theorem; simulação própria, 2026).
• Depois de revisar 316 fatores publicados, a recomendação acadêmica é exigir t-stat acima de 3,0, não 2,0 (Harvey, Liu e Zhu, 2016).
• 75% das instituições financeiras do Reino Unido já usam IA, contra 58% em 2022 (Bank of England e FCA, 2024).
• No meu laboratório: mais de 20 milhões de backtests rodados e mais de 20 mil estratégias analisadas desde o início do projeto (dados próprios, 2026).
• No meu portfólio, 32 dias (5% da amostra) respondem por 354% do drawdown: os outros 95% dos dias, somados, dão lucro (dados próprios, 2024-2026).

1. Quem ganha e quem perde no trading

A estatística de sobrevivência do trading discricionário de varejo é o pano de fundo que explica por que tanta gente migra pra abordagem sistemática. O estudo da FGV/USP é especialmente duro porque elimina a desculpa da inexperiência: os 97% de perdedores são justamente os que insistiram por mais de 300 pregões. Persistência, sozinha, não gerou aprendizado que virasse lucro. O dado de Taiwan aponta a mesma direção com 15 anos de amostra, e o da ESMA mostra que o padrão se repete em produtos alavancados na Europa. Escrevi uma análise completa desses estudos em por que a maioria dos traders de varejo perde dinheiro.

2. O tamanho do trading algorítmico no mundo

O mercado onde os robôs operam é maior do que a maioria das pessoas imagina, e cresceu justamente no triênio recente. O salto de 28% no giro diário de câmbio entre 2022 e 2025 medido pelo BIS coincide com a eletrificação quase total da execução institucional. O ponto prático pra quem opera no varejo é este: em um mercado de US$ 9,6 trilhões por dia dominado por execução eletrônica, a vantagem não está em velocidade (essa guerra o varejo perdeu faz tempo), está em método e em disciplina estatística.

3. Overfitting: a estatística que os backtests escondem

Este é o tema onde a matemática mais desmonta o marketing. O False Strategy Theorem, formalizado por Bailey e López de Prado, mostra que o melhor resultado de uma bateria de testes cresce com o número de tentativas mesmo quando nenhuma estratégia tem valor real. Eu repliquei a simulação no meu laboratório e os números batem: com 600 tentativas aleatórias, o “campeão” esperado já aparece com Sharpe perto de 1,8. Quem roda um otimizador por uma tarde produz milhares de tentativas. É por isso que a academia subiu a barra de significância e é por isso que drawdown de backtest, na prática, subestima o futuro. Detalhei o mecanismo em Sharpe deflacionado e o problema dos múltiplos testes.

Bailey, Borwein, López de Prado e Zhu também formalizaram a Probabilidade de Backtest Overfitting (PBO, 2017), o teste que uso na minha esteira: como quase ninguém reporta quantas configurações testou antes de mostrar a curva bonita, o investidor não tem como avaliar o grau de overfitting da maioria das propostas.

4. Os números do meu laboratório

Aqui entra o que diferencia esta página: dados primários meus, medidos em conta e em esteira própria, não copiados de terceiros. Desde o início do projeto eu já rodei mais de 20 milhões de backtests e analisei mais de 20 mil estratégias. Esse volume me deu, na pele, a prova do que a seção anterior descreve em teoria: o meu portfólio selecionado marcou Sharpe 5,24, e quando sorteei 2.000 seleções aleatórias do mesmo pool, ele caiu exatamente no percentil 100. Tradução honesta: parte relevante daquele brilho era o meu próprio processo de escolha, não o mercado. A seleção aleatória média do mesmo pool já dava Sharpe ~4,7.

O número que mais mudou a minha gestão foi o último da tabela. Se 5% dos dias respondem por 354% do drawdown (ou seja, os outros 95% dos dias, somados, dão lucro), então Sharpe alto pode ser só a assinatura de quem vende prêmio de risco e ainda não pagou a conta. O risco mora nos poucos dias.

5. Carry, diversificação ingênua e os prêmios documentados

A literatura acadêmica documenta prêmios de risco reais em câmbio, mas com letras miúdas que backtests de varejo costumam ignorar. O carry trade é o exemplo canônico: retorno médio real, Sharpe modesto e cauda pesada concentrada em episódios de aversão a risco. Foi exatamente essa cauda que me pegou no unwind do iene em 2024. E do lado da construção de portfólio, o resultado mais humilhante da literatura continua de pé: modelos sofisticados de otimização não conseguem bater, com consistência fora da amostra, a divisão ingênua de pesos iguais. Aprofundei o carry em carry trade em forex e a construção de portfólio em paridade de risco na prática.

6. O imposto da volatilidade sobre o retorno composto

Retorno composto paga um pedágio silencioso que cresce com o quadrado da volatilidade: o variance drag, aproximadamente vol² dividido por 2. É aritmética, não opinião, e aparece formalizada em Booth e Fama (1992). A consequência prática é que dois robôs com a mesma média de retorno não entregam o mesmo patrimônio final: o mais volátil compõe menos. É o argumento matemático definitivo a favor de diversificar comportamentos que não caem juntos, e foi o que medi ao combinar meus blocos de tendência e de reversão. Fiz as contas passo a passo em variance drag, o imposto da volatilidade.

7. IA e modelos de linguagem chegam às mesas

A adoção de IA em finanças saiu da fase de piloto, e os números de regulador confirmam. O detalhe que interessa a quem opera: adoção alta não significa alfa; nas próprias respostas à pesquisa do Bank of England, os principais riscos percebidos são todos de dados (privacidade, qualidade, segurança e viés), o que soa familiar pra qualquer um que já viu um backtest bonito morrer em conta real por dado ruim. O overfitting da seção 3 não desaparece com IA generativa; ele ganha um motor mais rápido.

Resumo: os números num só lugar

O que significa que 97% dos day traders perdem dinheiro?

Significa que, no estudo da FGV/USP com dados reais da B3 (2013-2015), de 1.551 pessoas que fizeram day trade por mais de 300 pregões, 97% acumularam prejuízo. Persistir não gerou lucro: só 17 pessoas ganharam mais que um salário mínimo por dia.

Trading algorítmico é mais lucrativo que trading manual?

Automatizar não cria vantagem por si só; cria disciplina e testabilidade. A pesquisa mostra que a maioria do varejo discricionário perde (ESMA 2018: 74-89% em CFDs), e mostra também que backtests sofrem de overfitting sistemático (Bailey e López de Prado, 2014). O robô herda a qualidade estatística do processo que o criou.

Que Sharpe ratio é realista pra uma estratégia de verdade?

Fatores documentados na literatura vivem na casa de 0,5, como o carry em câmbio (Lustig, Roussanov e Verdelhan, 2011). Sharpe de backtest acima de 2 exige desconto pelo número de tentativas: com 6.000 testes, o acaso sozinho entrega um campeão de ~2,1. No meu laboratório, exijo t-stat acima de 3, seguindo Harvey, Liu e Zhu (2016).

Quanto do mercado é operado por algoritmos hoje?

Depende do mercado e da métrica. No câmbio, que gira US$ 9,6 trilhões por dia (BIS, 2025), a execução é majoritariamente eletrônica. Nas ações americanas, 37% do fluxo institucional buy-side passou por algoritmos e roteadores inteligentes em 2023 (Coalition Greenwich). O setor de soluções de algotrading vale US$ 21 bilhões (Grand View Research, 2024).

O backtest prevê bem o resultado real?

Não sem correções. No meu monitoramento em conta, o drawdown real ficou 1,75 vez maior que o do backtest, e a anualização ingênua de séries esparsas inflou o Sharpe em cerca de 40%. Por isso esta página trata overfitting como o tema central da estatística de trading.

Metodologia e fontes

Esta página segue uma regra de duas camadas. Camada 1: estudos primários (papers revisados, working papers no SSRN, reguladores e bancos centrais) e dados próprios do meu laboratório, medidos em backtest auditado e em conta de monitoramento, com metodologia aberta nos artigos linkados. Camada 2: agregadores com metodologia declarada (pesquisas de mercado). Nenhuma estatística aqui vem de “blog citando blog”, e nenhum número foi arredondado pra ficar mais dramático. Estatísticas com mais de três anos estão marcadas como “dado mais recente disponível”. Dados próprios cobrem o período 2024-2026 e usam lote mínimo padronizado; os detalhes de cada medição estão nos artigos internos citados em cada seção.

Fontes utilizadas: Chague, De-Losso e Giovannetti (SSRN, 2020); Barber, Lee, Liu e Odean (2014); ESMA (2018); BIS Triennial Survey (2025); Grand View Research (2024); Coalition Greenwich (2024); Bailey, Borwein, López de Prado e Zhu (2014 e 2017); Harvey, Liu e Zhu (2016); Lustig, Roussanov e Verdelhan (2011); DeMiguel, Garlappi e Uppal (2009); Booth e Fama (1992); Bank of England e FCA (2024); Global Trading Survey (2025); laboratório próprio (2024-2026).

Última atualização: julho de 2026. Atualizamos esta página trimestralmente.

Referências

• Chague, F.; De-Losso, R.; Giovannetti, B. (2020). Day Trading for a Living? SSRN. papers.ssrn.com/abstract_id=3423101
• Barber, B.; Lee, Y.; Liu, Y.; Odean, T. (2014). Do Day Traders Rationally Learn About Their Ability? SSRN. papers.ssrn.com/abstract_id=908615
• ESMA (2018). Product intervention: restrição a CFDs pra investidores de varejo. esma.europa.eu
• BIS (2025). Triennial Central Bank Survey: OTC foreign exchange turnover in April 2025. bis.org/press/p250930
• Grand View Research (2024). Algorithmic Trading Market Size & Trends Report. grandviewresearch.com
• Coalition Greenwich (2024). Electronic Platforms Capture Growing Share of U.S. Equity Trading Volume. greenwich.com
• Bailey, D.; Borwein, J.; López de Prado, M.; Zhu, Q. (2014). Pseudo-Mathematics and Financial Charlatanism. Notices of the AMS. papers.ssrn.com/abstract_id=2308659
• Bailey, D.; Borwein, J.; López de Prado, M.; Zhu, Q. (2017). The Probability of Backtest Overfitting. Journal of Computational Finance. papers.ssrn.com/abstract_id=2326253
• Harvey, C.; Liu, Y.; Zhu, H. (2016). …and the Cross-Section of Expected Returns. Review of Financial Studies. papers.ssrn.com/abstract_id=2249314
• Lustig, H.; Roussanov, N.; Verdelhan, A. (2011). Common Risk Factors in Currency Markets. Review of Financial Studies. papers.ssrn.com/abstract_id=1139447
• DeMiguel, V.; Garlappi, L.; Uppal, R. (2009). Optimal Versus Naive Diversification: How Inefficient is the 1/N Portfolio Strategy? Review of Financial Studies. academic.oup.com
• Booth, D.; Fama, E. (1992). Diversification Returns and Asset Contributions. Financial Analysts Journal. jstor.org/stable/4479533
• Bank of England e FCA (2024). Artificial intelligence in UK financial services 2024. bankofengland.co.uk
• Global Trading (2025). GT Survey: Is AI our future? globaltrading.net