Guia Completo: Correlação Portfolio Quant e Robôs Traders

Todo trader quantitativo experiente chega a um ponto de inflexão. Ele não busca mais uma única estratégia “perfeita”, compreendendo sua inexistência. Em vez disso, seu arsenal de robôs traders está repleto de estratégias automatizadas de tendência, de reversão à média, de rompimento. Muitas são individualmente lucrativas, com expectativa matemática positiva comprovada em backtests rigorosos.

O problema central surge quando ele combina essas estratégias em um portfólio. A curva de capital resultante, a soma de todos os resultados, ainda se parece com uma montanha-russa. Os picos são altos, mas os vales — os Drawdowns — são profundos, simultâneos e abalando a confiança. É a frustração de ter as peças certas, mas o resultado montado ser instável e imprevisível.

A solução para este problema não é encontrar mais uma estratégia. A solução é estrutural, matemática e sistemática. Ela se chama descorrelação, o pilar fundamental para a construção de um portfólio de robôs verdadeiramente robusto, cuja resiliência é maior do que a soma de suas partes. Este guia aborda o conceito, do porquê ao como, de forma pragmática.

A Definição Formal da Correlação de Portfólio

Em sua essência, a correlação é uma medida estatística que quantifica a força e a direção de uma relação linear entre duas variáveis. No nosso contexto, essas variáveis são as séries de retornos (diários, semanais, ou por operação) de nossas estratégias algorítmicas. A medida varia em uma escala fixa de -1 a +1.

Um coeficiente de +1 indica uma correlação positiva perfeita: quando o Robô A lucra, o Robô B lucra na mesma proporção. Um coeficiente de -1 indica uma correlação negativa perfeita: quando o Robô A lucra, o Robô B perde na mesma proporção. Um coeficiente de 0 indica que não há relação linear alguma entre os resultados dos dois robôs.

Para analisar um portfólio com múltiplos robôs, consolidamos esses cálculos em uma Matriz de Correlação. Esta tabela exibe o coeficiente de correlação entre cada par possível de estratégias, fornecendo um diagnóstico das interdependências do portfólio. A métrica padrão para este cálculo é o Coeficiente de Correlação de Pearson.

\rho_{ij} = \frac{\text{cov}(R_i, R_j)}{\sigma_i \sigma_j} = \frac{E[(R_i - \mu_i)(R_j - \mu_j)]}{\sigma_i \sigma_j}

Onde:

• \rho_{ij} (rho) é o coeficiente de correlação entre a estratégia i e a estratégia j.
• \text{cov}(R_i, R_j) é a covariância dos retornos das duas estratégias, medindo como elas variam juntas.
• \sigma_i e \sigma_j (sigma) são os desvios padrão dos retornos da estratégia i e j, respectivamente, representando a volatilidade individual de cada uma.
• E representa o valor esperado, \mu_i e \mu_j são os retornos médios de cada estratégia.

Em finanças quantitativas, a matriz de correlação não é apenas um diagnóstico; é um mapa estratégico. Ela revela redundâncias e sinergias entre estratégias, permitindo a construção de portfólios mais robustos.

A Intuição de Mercado: Balanceamento de Risco, Não de Capital

A alocação de capital mais intuitiva é frequentemente ineficaz: distribuir o dinheiro igualmente entre as estratégias. Essa abordagem, no entanto, ignora uma verdade fundamental que gigantes como a Bridgewater popularizaram com o conceito de “All Weather”: o objetivo não é balancear o capital, mas sim a contribuição de risco de cada componente.

Imagine duas estratégias: a primeira é um sistema de day trade de alta frequência, volátil e arriscado; a segunda é um sistema de swing trade de baixa frequência, com uma curva de capital muito mais suave. Alocar o mesmo capital a ambas significa que a primeira estratégia dominará completamente a volatilidade e o risco do portfólio. O verdadeiro balanceamento, conhecido como Risk Parity, busca equalizar o risco que cada estratégia adiciona ao todo.

A descorrelação é o mecanismo que torna este balanceamento tão poderoso. Quando as estratégias respondem de forma diferente aos mesmos estímulos de mercado, seus riscos idiossincráticos (específicos de cada sistema) tendem a se anular.

Os ganhos de uma estratégia podem compensar as perdas da outra, resultando em um portfólio menos dependente da performance individual e mais exposto ao seu potencial de retorno combinado. O segredo é ter robôs que performem bem em diferentes regimes de mercado: um que lucre em alta tendência, outro em mercados laterais de alta volatilidade, e talvez um terceiro que se beneficie de crashes súbitos.

O princípio do Risk Parity, adaptado ao trading algorítmico, nos ensina a alocar risco, não dinheiro. Um portfólio balanceado não distribui o capital igualmente; ele distribui a probabilidade de drawdown de forma equitativa entre fontes de retorno descorrelacionadas.

O Que a Análise de Correlação NÃO É

A análise de correlação é uma ferramenta poderosa, mas seu mau uso decorre de uma interpretação equivocada de suas limitações. É crucial ser cético e pragmático, compreendendo o que esta métrica não pode fazer.

1. Não é Causalidade: Este é o erro estatístico mais clássico. Se duas estratégias de tendência em EURUSD e GBPUSD têm uma correlação de +0.9, isso não significa que o resultado de uma causa o resultado da outra. É muito mais provável que ambas estejam reagindo a um terceiro fator oculto — neste caso, a força ou fraqueza do Dólar Americano (USD). A correlação descreve o que aconteceu, não o porquê.
2. Não é uma Métrica Estática: A correlação entre estratégias não é uma constante gravada em pedra. Ela é dinâmica e muda drasticamente conforme os regimes de mercado se alteram. Duas estratégias que eram descorrelacionadas durante um período de baixa volatilidade podem se tornar altamente correlacionadas durante um pânico de mercado. Uma análise de correlação feita em 2022 não é, necessariamente, válida hoje.
3. Não é uma Garantia de Lucro: É fundamental ressaltar. A descorrelação é um otimizador de risco, não um gerador de alfa. Um portfólio perfeitamente descorrelacionado composto por estratégias perdedoras continuará sendo um portfólio perdedor. Ele apenas perderá dinheiro de uma forma mais estável e com uma curva de capital mais suave. A lucratividade individual de cada estratégia (uma expectativa matemática positiva) é um pré-requisito não negociável.

A correlação é uma fotografia do comportamento passado, não uma profecia do futuro. Seu valor reside na construção de robustez estrutural contra a incerteza, não na predição de resultados específicos.

Com a teoria quantitativa e os princípios de balanceamento de risco estabelecidos, avançamos agora para sua aplicação direta. Esta seção dissecirá os cenários práticos, os parâmetros de decisão e as armadilhas avançadas na gestão de um portfólio de robôs. O objetivo é transformar o rigor analítico em resultados tangíveis, diferenciando portfólios robustos de meras coleções de estratégias.

Cenários Práticos de Descorrelação: Ativo vs. Lógica e Timeframe

Um dos erros mais comuns na construção de portfólios é a diversificação superficial. Um trader pode acreditar que está diversificado por operar um robô de tendência no EURUSD e outro robô de tendência no GBPUSD.

Contudo, como vimos, estes ativos frequentemente reagem ao mesmo fator subjacente (a força do USD), resultando em uma correlação extremamente alta. Seus resultados se moverão em sincronia, e seus drawdowns serão simultâneos.

A verdadeira descorrelação, especialmente para o trader algorítmico, raramente vem da simples troca de ativos. Ela emerge da combinação de lógicas de operação e horizontes temporais (timeframes) distintos.

Considere a superioridade de um portfólio que combina, no mesmo ativo (ex: EURUSD), um robô seguidor de tendência em um gráfico de 4 horas (H4) com um robô de reversão à média em um gráfico de 15 minutos (M15). O primeiro lucra em movimentos direcionais e prolongados. O segundo lucra exatamente quando o primeiro tende a sofrer: em períodos de consolidação e oscilação dentro de uma faixa de preços.

A tabela abaixo ilustra a diferença fundamental entre estas duas abordagens.

Parâmetro	Portfólio A (Diversificação por Ativo)	Portfólio B (Diversificação por Lógica/Timeframe)
Robô 1	Tendência (H4) no EURUSD	Tendência (H4) no EURUSD
Robô 2	Tendência (H4) no GBPUSD	Reversão à Média (M15) no EURUSD
Correlação Esperada	Alta (0.7 a 0.9)	Baixa a Negativa (-0.3 a 0.2)
Comportamento	Ambos sofrem em mercados laterais e se beneficiam de tendências claras.	Um lucra na tendência, enquanto o outro captura oportunidades em consolidações.
Resultado	Drawdowns profundos e simultâneos, amplificando o risco.	Curva de equity mais suave, com drawdowns menores e não concomitantes.

Esta abordagem é estruturalmente mais robusta porque diversifica os regimes de mercado nos quais o portfólio pode extrair alfa.

A sabedoria convencional sugere diversificar ativos. A sabedoria quantitativa prioriza a diversificação de lógicas e fatores de risco de estratégia. É mais eficaz combinar lógicas opostas no mesmo mercado do que lógicas idênticas em mercados correlacionados.

Parâmetros Críticos na Interpretação da Matriz de Correlação

Após calcular a matriz de correlação usando os retornos históricos de suas estratégias, o próximo passo é interpretá-la de forma objetiva. Os coeficientes não são apenas números; são diretrizes para a tomada de decisão. É essencial ter um framework claro para classificar os níveis de correlação e as ações correspondentes.

A tabela a seguir serve como um guia prático para analisar sua matriz e otimizar a seleção de estratégias para o seu portfólio.

Coeficiente (\rho)	Nível de Correlação	Interpretação Prática para Portfólio	Ação Recomendada
0.7 a 1.0	Muito Alta	As estratégias são redundantes. Adicionar a segunda não reduz o risco, apenas o concentra.	Evitar combinar. Manter a estratégia com melhor performance ajustada ao risco (ex: maior Sharpe Ratio).
0.3 a 0.7	Moderada	Oferece poucos benefícios de diversificação. Os drawdowns ainda tenderão a ocorrer simultaneamente.	Combinar com cautela. Considere reduzir o peso (risco) da estratégia adicionada.
-0.3 a 0.3	Baixa (Ideal)	Excelente para diversificação. Os resultados são largamente independentes, suavizando a curva de capital.	Priorizar a inclusão destas estratégias no portfólio. Este é o “ponto ótimo”.
-1.0 a -0.3	Negativa (Ótima)	Efeito de hedge ativo. Uma estratégia tende a gerar lucro quando a outra está em drawdown.	Altamente desejável, mas requer validação rigorosa para garantir que não seja resultado de overfitting.

A análise não deve se limitar a encontrar o menor coeficiente possível. Um portfólio resiliente é construído sobre um conjunto de estratégias que, em sua maioria, habitam a faixa de correlação baixa e estável.

Não se deve buscar correlações perfeitamente negativas, raras e muitas vezes instáveis. A zona ótima para um portfólio robusto está na combinação de estratégias com correlação consistentemente baixa.

Gestão de Risco Algorítmica e Dimensionamento de Posição

A análise de correlação transcende a mera seleção de estratégias; ela impacta diretamente a gestão de risco e o dimensionamento das posições (position sizing). Como vimos na seção anterior, o objetivo é balancear risco, não capital. A matriz de correlação nos informa como os riscos interagem.

Um portfólio de estratégias com correlação média de 0.8 é frágil. Um drawdown de 10% em uma estratégia provavelmente será acompanhado por um drawdown similar nas outras, levando a um rebaixamento profundo e rápido no capital total. A tolerância ao risco para este portfólio deve ser necessariamente baixa.

Em contraste, um portfólio com correlação média de 0.1 é robusto. O mesmo drawdown de 10% em uma estratégia pode ser compensado por um desempenho positivo ou neutro das outras. O impacto no capital total é amortecido. Isso significa que, para um mesmo nível máximo de drawdown tolerado (ex: 20%), o portfólio descorrelacionado pode operar com um risco por estratégia (e, portanto, um retorno potencial) significativamente maior.

O dimensionamento de posição pode, então, ser ajustado dinamicamente. Uma nova estratégia com correlação negativa em relação ao portfólio existente pode justificar uma alocação de risco maior, pois ela atua como um hedge, diminuindo a volatilidade geral.

Uma gestão de risco eficaz transcende o stop-loss de operações individuais. Ela reside na arquitetura do portfólio, onde a correlação dita não apenas ‘quais’ estratégias incluir, mas ‘quanto’ risco alocar a cada uma delas.

Validação e Armadilhas: Onde a Correlação Linear Falha

Aqui reside um dos pontos mais críticos e frequentemente ignorados. O coeficiente de correlação de Pearson, que fundamenta a análise padrão, mede exclusivamente relações lineares. Ele funciona bem sob condições normais de mercado, mas pode oferecer uma falsa sensação de segurança.

Em períodos de extremo estresse, pânico e crise — os eventos de “cauda gorda” ou “cisnes negros” — a estrutura do mercado muda. Durante um crash financeiro, a maioria dos ativos de risco, independentemente de suas características individuais, tende a se mover em uma única direção: para baixo. Nesse cenário, todas as correlações convergem para +1.

A diversificação que parecia robusta no papel evapora no exato momento em que você mais precisa dela. Isso acontece porque as estratégias, embora com lógicas diferentes, podem compartilhar uma exposição oculta ao mesmo fator de risco sistêmico (ex: risco de liquidez, risco de crédito).

A solução para esta fragilidade é buscar uma diversificação mais profunda, não apenas de lógicas, mas de fatores de risco subjacentes. Um portfólio verdadeiramente “All Weather” pode incluir uma estratégia baseada em volatilidade (que lucra com o pânico), outra em momento macroeconômico e uma terceira em assimetrias de fluxo de ordens, buscando fontes de retorno que sejam fundamentalmente distintas.

A armadilha mais perigosa da análise de correlação é assumir sua estabilidade. Em eventos de cauda, as correlações não apenas mudam, elas convergem para 1, revelando a fragilidade de portfólios diversificados apenas na superfície.

Com a compreensão das nuances práticas e dos riscos inerentes, consolidamos este conhecimento em um framework de implementação passo a passo. Este bloco transforma a teoria em ação, desmistifica equívocos e fornece um roteiro claro para a implementação.

Mitos e Erros Comuns na Construção de Portfólios Quant

No campo quantitativo, a precisão conceitual é tudo. Erros de interpretação levam a falhas estruturais no portfólio. A tabela a seguir desmistifica os equívocos mais comuns sobre correlação, oferecendo uma rota pragmática para a robustez.

TABELA: Mitos Comuns sobre Correlação de Portfólio

Mito	Realidade	Como Evitar
“Correlação negativa é o Santo Graal.”	É rara, pode ser instável e sinal de overfitting. A correlação baixa e estável (próxima de zero) é mais robusta e realista para construir um portfólio.	Foque em um conjunto de estratégias com correlação consistentemente entre -0.3 e 0.3, em vez de desperdiçar recursos buscando o par perfeito de -1.0.
“Basta diversificar entre muitos ativos.”	Ativos na mesma classe (ex: pares de moedas majors) ou no mesmo setor (ex: ações de tecnologia) são frequentemente altamente correlacionados, especialmente em crises.	Priorize a diversificação de lógicas de trading (tendência vs. reversão), fatores de risco (volatilidade vs. momentum) e timeframes.
“Uma vez calculada, a matriz é fixa.”	A correlação é dinâmica e muda drasticamente com os regimes de mercado. O que era descorrelacionado em um mercado de baixa volatilidade pode se tornar perfeitamente correlacionado em um pânico.	Recalcule a matriz de correlação periodicamente (ex: trimestralmente ou após grandes eventos de mercado) usando uma janela móvel de dados para capturar a dinâmica recente.
“Mais estratégias é sempre melhor.”	Acima de um certo ponto (tipicamente entre 10-15 estratégias), os benefícios marginais da diversificação diminuem drasticamente, enquanto a complexidade operacional e o risco de falha aumentam.	Comece com um núcleo de 3 a 5 estratégias de baixa correlação. Adicione novas estratégias apenas se elas melhorarem significativamente o Sharpe Ratio ajustado ao risco do portfólio.

O maior erro na construção de portfólios não é a falta de estratégias complexas, mas a má compreensão das interações simples entre elas. A clareza sobre a correlação supera a complexidade.

Checklist de Implementação: Do Backtest à Execução

A construção de um portfólio quantitativo robusto não é um ato de adivinhação, mas um processo de engenharia. Siga este checklist sistemático para transformar suas estratégias individuais em um sistema coeso e resiliente.

• ✅ 1. Coleta de Dados: Exporte a curva de equity (resultados diários ou por operação) de cada robô a partir de um backtest no mesmo período. Ferramentas: MetaTrader (Relatório), Planilhas.
• ✅ 2. Padronização: Consolide todos os dados em uma única tabela, com colunas para cada robô e linhas para cada período (dia). Ferramentas: Microsoft Excel, Google Sheets, Python (Pandas).
• ✅ 3. Cálculo: Gere a matriz de correlação. No Excel/Sheets, use a função CORREL para pares ou a ferramenta de Análise de Dados para a matriz completa. Ferramentas: Planilhas, Python (.corr()), QuantAnalyzer.
• ✅ 4. Análise Visual: Aplique um mapa de calor na matriz para identificar visualmente correlações altas (vermelho) e baixas (verde). Ferramentas: Excel, Google Sheets, Python (Seaborn).
• ✅ 5. Seleção Estratégica: Selecione um subconjunto de 3 a 7 robôs com a menor correlação média entre si. Descarte estratégias com correlação acima de 0.7.
• ✅ 6. Simulação do Portfólio: Crie uma nova coluna que some os resultados diários das estratégias selecionadas para simular a curva de equity combinada. Ferramentas: Planilhas (SUM), Python.
• ✅ 7. Otimização e Validação: Calcule as métricas (Sharpe Ratio, Drawdown Máximo) para o portfólio simulado e compare com as estratégias individuais. O resultado combinado deve ser superior.
• ✅ 8. Monitoramento Contínuo: Repita este processo trimestralmente ou após grandes eventos de mercado para garantir que as correlações permaneçam aceitáveis.

Um processo sistemático transforma a arte da seleção de estratégias na ciência da construção de portfólios. Siga o checklist para garantir que nenhuma etapa crítica seja negligenciada.

FAQ: Respostas Rápidas para Dúvidas Comuns

O que é uma matriz de correlação em trading algorítmico?

É uma tabela que mostra o coeficiente de correlação entre cada par de estratégias (robôs) em um portfólio, permitindo visualizar rapidamente quais se movem juntas (redundantes) e quais se movem de forma independente (bom para diversificação).

Como calcular a correlação entre duas estratégias de robôs?

Exporte o histórico de retornos diários de cada robô para uma planilha. Com os retornos em duas colunas (A e B), use a fórmula =CORREL(A:A; B:B) no Excel ou Google Sheets.

Qual é um bom nível de correlação para um portfólio de trading?

O ideal é combinar estratégias com coeficientes de correlação entre -0.3 e +0.3. Valores acima de 0.5 oferecem pouca diversificação, enquanto valores abaixo de -0.3 são ótimos, mas raros e devem ser validados com rigor.

Por que a diversificação de estratégias reduz o drawdown?

Porque quando uma estratégia passa por um período de perdas (drawdown), uma estratégia descorrelacionada pode estar em um período de ganhos ou estabilidade, compensando parcial ou totalmente as perdas e suavizando a queda na curva de capital total do portfólio.

A correlação de um portfólio muda durante um crash de mercado?

Sim, drasticamente. Durante pânicos e crashes, a correlação entre a maioria das estratégias e ativos de risco tende a aumentar e convergir para +1, reduzindo temporariamente os benefícios da diversificação. É um teste de estresse fundamental.

É melhor diversificar por ativos ou por lógicas de robôs?

Para traders de varejo, diversificar por lógicas (ex: tendência vs. reversão à média) e timeframes no mesmo ativo costuma ser mais eficaz do que usar a mesma lógica em ativos diferentes, mas altamente correlacionados (ex: EURUSD e GBPUSD).

Como usar Python para analisar a correlação de um portfólio?

Importe os dados de equity de cada robô para um DataFrame da biblioteca Pandas, onde cada coluna representa um robô. Em seguida, utilize o método dataframe.corr() para gerar a matriz de correlação completa instantaneamente.

Uma correlação negativa entre estratégias é sempre boa?

Embora teoricamente excelente para hedge, uma correlação consistentemente muito negativa (-0.8 a -1.0) em backtests pode ser um sinal de overfitting. É crucial validar a robustez dessas estratégias em dados fora da amostra (out-of-sample).

Como a análise de correlação ajuda na gestão de risco algorítmica?

Ela permite construir um portfólio onde o risco total é menor que a soma dos riscos individuais. Isso permite alocar mais capital para o mesmo nível de drawdown tolerado ou, alternativamente, obter uma curva de capital muito mais suave com o mesmo capital.

Quais ferramentas posso usar para analisar a correlação?

Microsoft Excel, Google Sheets, Python (com as bibliotecas Pandas e Seaborn) e softwares especializados como o QuantAnalyzer são as ferramentas mais comuns e acessíveis para traders.

Com que frequência devo recalcular a correlação do meu portfólio?

Uma boa prática é reavaliar trimestralmente ou após grandes mudanças no regime de mercado (ex: uma decisão drástica sobre taxas de juros de um banco central). A análise não é um evento único, mas um processo contínuo.

A análise de correlação funciona para day trade?

Sim, o princípio é idêntico. A diferença é que os retornos usados para o cálculo seriam de intervalos menores (horários ou diários) e as correlações podem ser menos estáveis, exigindo um monitoramento mais frequente.

Conclusão e Plano de Ação

Percorremos uma jornada completa: da dor inicial de um portfólio volátil, passando pela definição matemática da correlação, pela aplicação prática inspirada em gigantes institucionais, até as armadilhas avançadas e, finalmente, um roteiro de implementação.

A mensagem central é inequívoca: a estabilidade e a superioridade dos retornos ajustados ao risco não vêm da busca incessante pela “melhor” estratégia singular, mas sim da arquitetura inteligente de um conjunto de boas estratégias descorrelacionadas. A matriz de correlação é sua ferramenta de diagnóstico e design. Use-a para podar as redundâncias que inflam o risco e para cultivar as sinergias que suavizam sua jornada como trader.

Plano de Ação Imediato:

• Auditoria de Portfólio: Hoje, exporte os resultados de todos os seus robôs ativos e siga o Passo 1 ao 4 do nosso checklist. Em menos de uma hora, você terá sua primeira matriz de correlação e um diagnóstico claro do seu risco.
• Identifique a Redundância Crítica: Localize os pares de estratégias com correlação acima de 0.7. São uma fonte comum de risco concentrado e de drawdowns simultâneos. Considere desativar a estratégia de pior performance de cada par redundante.
• Busque a Descorrelação Ativamente: Sua próxima sessão de pesquisa e desenvolvimento não deve ser para encontrar uma estratégia “mais lucrativa”, mas sim uma que tenha a menor correlação possível com seu portfólio atual. Pense em lógicas opostas: se você opera tendências, construa um robô de reversão à média.
• Simule Antes de Implementar: Antes de alocar capital real, adicione a nova estratégia candidata à sua simulação de portfólio (Passo 6 e 7). Valide matematicamente que sua inclusão melhora o Sharpe Ratio e reduz o drawdown máximo. Só então promova-a para a conta real.

O trader quantitativo de sucesso não é um colecionador de estratégias, mas um arquiteto de portfólios. A matriz de correlação é a planta baixa essencial para construir uma estrutura de retornos que resista ao teste do tempo e da volatilidade.

Referências e Literatura Quant

• Sobre Teoria Moderna de Portfólio e Diversificação: Markowitz, H. M. (1952) – “Portfolio Selection“. Aborda a teoria moderna de portfólio, introduzindo conceitos fundamentais de risco, retorno e a importância da correlação entre ativos para a diversificação e otimização de portfólios.
• Sobre Construção de Portfólios e Diversificação: Lopez de Prado, M. (2016) – “Building Diversified Portfolios that Outperform out-of-sample“. Discute métodos avançados para construir portfólios verdadeiramente diversificados que mantenham o desempenho fora da amostra, enfatizando a importância de evitar correlações espúrias.
• Sobre Paridade de Risco: Qian, E. E., Hua, R., & Butler, R. (2011) – “Risk Parity Portfolios“. Artigo seminal sobre a estratégia de Risk Parity, explicando como alocar capital para que cada componente do portfólio contribua igualmente para o risco total, um conceito chave na descorrelação de estratégias.
• Sobre Correlações Extremas em Mercados: Longin, F., & Solnik, B. (2001) – “Extreme Correlation of International Equity Markets“. Examina como as correlações entre mercados globais mudam durante períodos de alta e baixa volatilidade, especialmente se tornando mais fortes durante crises, um ponto crítico sobre a falha da diversificação em “eventos de cauda”.
• Sobre Overfitting em Backtests: Bailey, D. H., Borwein, J. M., Lopez de Prado, M., & Zhu, Q. (2014) – “Pseudo-Mathematics and Financial Charlatanism: The Effects of Backtest Overfitting“. Discute como o sobreajuste (overfitting) em backtests pode levar a resultados enganosos e à seleção de estratégias que não performam bem em tempo real, um alerta para a validação rigorosa de estratégias.