Como criar estratégias de negociação algorítmica que resistam aos mercados reais

StrategyQuant O X consegue gerar um backtest bonito em poucos minutos. Essa é a parte fácil. A parte mais difícil é descobrir se a estratégia descobriu um padrão real e explorável ou foi apenas um acaso.

Então você precisa considerar spreads, deslizamentos, configurações do corretor, precisão de ticks, diferenças de execução, risco do portfólio e todos os outros detalhes chatinhos que tendem a arruinar testes de backtest belíssimos.

Brendan Anderson, fundador da Trivium Systems Trading, passou os últimos anos desenvolvendo um processo de pesquisa destinado a distinguir os dois tipos de estratégia. Atualmente, ele administra uma carteira de mais de 30 estratégias sistemáticas e mantém um histórico público que abrange mais de dois anos e mais de 10.000 operações.

Aqui está como ele aborda o desenvolvimento de estratégias, a validação, os riscos e a implementação em tempo real.

Antecedentes

Quem você é e como se parece sua operação de trading sistemática hoje?

Sou um trader sistemático baseado em Vancouver e o fundador da Trivium Systems Trading.

Utilizo StrategyQuant o X para desenvolver sistemas de ruptura intradia e gerenciar uma carteira de mais de 30 estratégias. Negocio em mercados de CFDs: índices dos EUA, da Alemanha e do Japão, além de Bitcoin, ouro, petróleo e pares de moedas selecionados. Se algo for líquido, apresentar movimentos de ruptura úteis e suportar estratégias que passam pelo meu processo de testes, estou disposto a negociá-lo.

Eu também corro Academia Trivium SQX, onde ensino o mesmo fluxo de trabalho de pesquisa e validação que uso no meu próprio portfólio.

O mais importante é que mantenho um histórico público, pois acredito que qualquer pessoa que ensine trading deve estar disposta a mostrar evidências de que realmente é bem-sucedida.

O que mudou sua visão sobre o desenvolvimento de estratégias?

Eu me interessei pelo trading durante a pandemia. Assim como muitas pessoas, eu tive de repente muito tempo livre e me deparei com a possibilidade de ganhar dinheiro online. Isso acabou me levando ao YouTube para aprender a investir.

Naquela época, eu não sabia absolutamente nada. Isso me fez o cliente ideal para alguém que parecia confiante, então eu comprei um curso de um trader que não tinha nenhum histórico público. O curso envolvia um enorme grupo no Discord, onde dezenas de pessoas se juntavam ao que fosse a ação selecionada para o dia. Abri uma conta demo no Webull e comecei a acordar às 6h da manhã para negociar o mercado americano aberto em Vancouver.

Meu processo era altamente sofisticado:

1. Jogar dados aleatórios em negociações com membros aleatórios do Discord.
2. Aguente os perdedores até que eles se tornassem vencedores.

Durante o período dos memes, eu shortou uma das ações que estavam subindo vertiginosamente. A posição se desvalorizou drasticamente contra mim, então eu fechei o aplicativo e voltei a dormir, esperando que o mercado resolvesse o problema enquanto eu estava inconsciente. Infelizmente, a transação liquidou a conta e me obrigou a admitir que não tinha ideia do que estava fazendo. Então, eu saí do grupo e comecei a procurar um processo que me desse mais confiança de que eu sabia o que estava fazendo.

Em breve descobri o TradingView e comecei a testar manualmente estratégias. Isso era melhor do que seguir cegamente os alertas do Discord, mas apresentava seus próprios problemas. Em primeiro lugar, um backtest manual de um ano demoraria dias. O processo era cheio de tendências manuais e era impossível considerar spreads, comissões, deslizamentos e custos de execução.

Consegui aprender o Pine Script e comecei a desenvolver estratégias de programação. No entanto, aprender a programar não me ensinou magicamente a conduzir uma pesquisa adequada. Eu ajustava os parâmetros repetidamente até que a curva de retorno parecesse quase perfeita. Lembro-me de ter criado uma estratégia de média móvel que parecia incrível após bastante ajuste. Então, testei-a com dados não vistos e o desempenho imediatamente desabou.

Essa falha me apresentou o problema do sobrecorte, testes dentro da amostra, testes fora da amostra e as diversas maneiras pelas quais um trader pode, acidentalmente, produzir algo que parece ótimo no papel.

Após testar mais de 100 ideias, descobri uma estratégia de scalping noturno que colocava ordens de limite em um intervalo definido durante o período de rollover do mercado de câmbio. Eu a usei com sucesso durante alguns anos e aumentei consideravelmente a conta. O problema era que ainda não tinha uma compreensão completa do que estava realmente a arriscar, da diversificação ou do que eu deveria fazer quando a estratégia deixasse de funcionar. O que acabou acontecendo, e de repente voltei ao ponto de partida.

A lição foi bastante clara: confiar em uma única estratégia era um plano terrível a longo prazo. Eu precisava de uma maneira de gerar, testar e combinar muitos sistemas independentes. Isso me levou de volta ao X StrategyQuant.

Por que você acabou adotando o X StrategyQuant?

Eu primeiro baixei o X StrategyQuant em 2021, enquanto ainda estava codificando as estratégias manualmente.

Abri o software, cliquei em "Gerar" sem definir um fluxo de trabalho adequado, recebi vários resultados medíocres e desisti da plataforma. Com o tempo, isso parecia abrir o Photoshop, clicar em três botões aleatórios, produzir uma imagem feia e concluir que o design gráfico deve ser uma fraude.

Em 2023, voltei à SQX depois de aprender muito mais sobre pesquisa sistemática. Naquela época, compreendi o sobreajustamento, a validação e a diferença entre encontrar um backtest e criar um processo. Isso mudou tudo.

Eu percebi a razão principal pela qual o SQX é tão poderoso: o construtor de estratégias pode testar centenas de milhares de combinações de estratégias, incluindo ideias que eu jamais teria considerado manualmente. Além disso, ele permite criar um pipeline de pesquisa automatizado, no qual as estratégias podem ser geradas, filtradas, submetidas a testes de robustez e, em seguida, exportadas como código de negociação completo.

Então, investi num curso produzido por um conhecido StrategyQuant fundo X da época (eles já não existem mais) e passei centenas de horas a aprender a utilizar esse software corretamente.

Qual foi a sua primeira lição mais difícil dentro da plataforma?

StrategyQuant O X oferece um número absurdo de configurações, indicadores, filtros, testes e fluxos de trabalho possíveis. Essa flexibilidade é poderosa quando você sabe o que está fazendo, mas antes disso, ela geralmente oferece mais maneiras de cometer erros.

Meu primeiro grande problema técnico foi configurar os dados corretamente. Os corretores de CFDs diferem em termos de especificações dos contratos, spreads, comissões, fusos horários, valores de ponto e regras de dimensionamento de posições. Uma estratégia construída usando a configuração padrão do Dukascopy pode se comportar de forma muito diferente quando implementada por meio de um corretor específico.

Após muita tentativa e erro, descobri que era necessário obter as especificações do contrato CFD diretamente do meu terminal MetaTrader, que inclui:

• Spreads
• Comissões
• Valor do ponto
• Dimensionamento de posição
• Especificações do símbolo
• Fuso horário do corretor

Com o tempo, sim, essas coisas parecem óbvias. Mas isso só demonstra o quanto eu desconhecia essas coisas e o quanto eu estava ansioso para começar a desenvolver estratégias antes de estabelecer as bases adequadamente. Lixo na entrada, lixo na saída.

Construindo e validando estratégias

Como é o seu fluxo de trabalho completo?

Nos mercados com uma tendência ascendente forte, como os índices dos EUA, começo com estratégias de long-only. Navegar na direção do vento é muito mais fácil do que combatê-lo. Mais tarde, criarei sistemas simétricos de long-short.

O meu intervalo de tempo padrão é M30. Intervalos de tempo mais curtos são mais vulneráveis a spreads, desvios, diferenças entre corretores e variações de preço dentro da mesma corretora. Intervalos de tempo mais longos geralmente produzem menos transações do que eu gostaria, e o perfil de risco/recompensa é menos atraente para o meu estilo de negociação. O M30 se situa no meio desses dois problemas.

Minhas estratégias são todos sistemas de ruptura intradia que entram por meio de ordens stop em níveis de preço definidos e fecham antes do final do dia de negociação.

Uma vez gerados, os candidatos passam por três fases distintas fora da amostra. A primeira é a fase fora da amostra dentro do Builder, que o algoritmo genético observa durante a seleção. As duas fases restantes são os dados considerados “verdadeiros fora da amostra”, que não influenciam o processo de otimização (as estratégias são aprovadas ou rejeitadas). Essas fases apresentam blocos de histórico retirados inteiramente do Builder, de modo que nada disso influencia quais estratégias sobrevivem.

Em seguida vem o teste de múltiplas estratégias. Aqui, testo cada estratégia em um amplo grupo de instrumentos e só aceito estratégias que apresentem um desempenho acima de um determinado limite de desempenho em todos os mercados. Para mim, uma estratégia que se saia bem em vários mercados provavelmente reflete um padrão geral de preços e é mais difícil que esse resultado tenha sido resultado de acaso aleatório. Uma estratégia que funcione apenas em um símbolo e em um período específico com um conjunto de parâmetros exato pode simplesmente ter tido sorte. O teste de múltiplas estratégias também expande o tamanho da amostra. Tenho muito mais confiança em uma estratégia com 50.000 transações (a grande maioria das quais estão fora da amostra) em vários mercados do que em uma estratégia com 500 transações em um único mercado.

Em seguida, realizo testes de Monte Carlo, incluindo:

• Resampling de dados comerciais
• Permutação de dados
• Permutação de parâmetros

Eu também refaço os testes com dados de ticks para garantir que o desempenho permanece constante, pois os builds originais utilizam resolução de um minuto.

Assim que tiver cerca de 100 a 200 estratégias viáveis para um mercado, utilizo o gerador de portfólios para eliminar sistemas altamente correlacionados. O objetivo é construir uma coleção de estratégias cujos fluxos de retorno se comportem de forma suficientemente diferente para melhorar o retorno do portfólio para um determinado nível de risco.

Por fim, exporto as transações do portfólio para o Excel, estimo o drawdown através da análise Monte Carlo, determino o risco por trade, exporto o código e comparo a estratégia no MetaTrader com dados específicos do corretor.

Por que você prefere sinais com poucos parâmetros e sem parâmetros?

Um parâmetro é qualquer valor que possa ser ajustado. Muitos indicadores de negociação populares possuem diversas opções de parâmetros. O indicador de força relativa, por exemplo, possui três: o período de análise, os níveis de sobrecomprado e de sobrevenda.

Desativei a maioria dos blocos de sinalização com parâmetros muito complexos StrategyQuant no X, que representam a maioria deles. Ao realizar testes repetidos, descobri que esses indicadores não resistiram ao meu processo de validação, então, em vez de continuar gastando recursos computacionais com eles, os removi completamente da fase de construção.

A razão está relacionada ao espaço de busca: o número total de configurações de sinal possíveis que X StrategyQuant pode testar. Existem duas coisas que contribuem para isso: 

1. O primeiro é quantas variáveis ajustáveis existem, que é a sua liberdade de movimento.
2. O segundo é quantas valores cada um desses parâmetros pode assumir. 

Quanto maior o espaço de busca, maior a oportunidade que o programador tem de encontrar combinações que, por pura coincidência, parecem boas, em vez de encontrar um padrão genuíno e explorável.

Um indicador com três parâmetros pode parecer simples, mas se cada parâmetro tiver 100 valores possíveis, isso equivale a 100³, ou seja, 1.000.000 de combinações possíveis. É por isso que prefiro condições simples com poucos ou nenhum valor otimizado, os chamados sinais de baixo parâmetro ou de zero parâmetro.

As pessoas me perguntam exemplos o tempo todo, mas na verdade é muito simples:

• A sessão de ontem fechou acima do seu nível de abertura?
• O fechamento diário está acima de uma média móvel de 200 períodos fixada?
• O fechamento diário está acima do máximo da semana passada?

Esses são principalmente critérios binários, verdadeiros ou falsos, e os valores são fixos. Não há nada a ser otimizado, portanto, se um determinado sinal não apresentar uma vantagem comercializável, ele é descartado. Nos meus testes, esses sinais sobrevivem a filtros de robustez com mais frequência e se generalizam melhor em diferentes mercados. Atualmente, desenvolvi quase 100 blocos personalizados de padrões de preços com base nessa filosofia.

Como você decide quais mercados e estruturas comerciais devem ser testados?

Para pesquisas de ruptura e de acompanhamento de tendências, considero o NASDAQ e outros índices de ações pontos de partida mais convenientes do que os principais pares de moedas.

Eles oferecem:

• Liquidez forte
• Grande volatilidade
• Custos de negociação baixos
• Um viés ascendente persistente e de longo prazo que facilita a identificação de estratégias de investimento apenas em ações.

O Bitcoin e o ouro são bons candidatos por essas mesmas razões. O único par de moedas que recomendo para negociar com altas volatilidades e que me rendeu sucesso é o USDJPY. Os outros pares mais importantes gastam mais tempo oscilando e as altas volatilidades que ocorrem geralmente não se prolongam o suficiente para justificar os custos envolvidos.

Todos os meus sistemas utilizam:

• Uma entrada de parada
• Uma parada de perda baseada no ATR
• Saída no final do dia

ProSão definidas metas “opcionais” no Builder, o que significa que o algoritmo pode incluí-las ou deixá-las de fora; na prática, a maioria das minhas estratégias acaba sem elas. Isso permite que movimentos de curto prazo maiores continuem acontecendo, em vez de serem interrompidos em um nível arbitrário.

Como você modela os custos de negociação ao longo de longos períodos de preços?

Ao configurar os dados no SQX, é necessário especificar o spread e o slippage. Infelizmente, esse valor aplica-se em todo o intervalo de dados.

Devido a isso, um erro comum é aplicar a taxa de spread vigente a todo um período histórico de construção. O ouro é um bom exemplo: seu preço nominal em 2003, os dados mais antigos disponíveis no Dukascopy, era muito menor do que o atual. Aplicar a taxa de spread atual a uma história de preços mais antiga torna o custo irrealmente grande em termos percentuais.

Isso pode tornar estratégias históricas viáveis inviáveis simplesmente porque os pressupostos de custo não correspondem ao período em que a análise está sendo realizada. Para resolver esse problema, comparo o preço atual do mercado com o preço no início do período de construção e uso desse coeficiente para dimensionar o spread histórico em direção ao passado. Isso me fornece uma estimativa de spread mais baixa para a parte mais antiga dos dados.

Mais tarde, testei a estratégia utilizando pressupostos de spread modernos e um desvio razoável nos dados dos últimos anos para confirmar que a estratégia não se desfaz quando os custos atuais são considerados.

Por que os dados fora da amostra são mais importantes do que qualquer outro teste?

No final do dia, testes fora da amostra são fundamentais. Cada transação extra fora da amostra é um voto de confiança de que você pode ter uma vantagem. Dez transações fora da amostra podem ser um acaso — dez mil começos podem gerar uma imagem estatisticamente significativa.

As pessoas frequentemente perguntam quanto dados devem ser reservados para testes fora da amostra. Eu frequentemente reservo metade ou mais ao longo de todo o fluxo de trabalho. As pesquisas de evolução genética examinam um número enorme de combinações de estratégias e recompensam repetidamente o que apresenta melhores resultados nos dados de desenvolvimento. Isso torna-a altamente eficaz na descoberta de estratégias, mas também eficaz na adaptação ao ruído histórico. Uma grande amostra intacta contrabalança essa pressão de seleção e força a estratégia final a se provar em dados que não desempenharam nenhum papel na sua criação.

O que me leva ao erro mais comum que vejo. No X StrategyQuant, marcar parte dos dados do Builder como fora da amostra não o deixa intacto quando a evolução genética é ativada.

As estratégias são criadas no período de ensaio e, em seguida, avaliadas no segmento de exames. O problema é que essa avaliação não é passiva. O algoritmo genético utiliza o desempenho em ambos os segmentos para decidir quais estratégias serão mantidas, modificadas ou descartadas. Ao longo de muitas gerações, as estratégias que se saem bem no segmento de exames são as que sobrevivem e transmitem suas características para a próxima geração. O algoritmo está aprendendo a partir desses dados indiretamente, usando-os como um filtro de seleção em vez de como um conjunto de parâmetros para otimizar, mas o efeito é semelhante. Esse segmento se torna um alvo secundário de otimização, e quanto mais gerações você executar, mais ele se intensifica.

Os dados ainda têm valor. Reduzem o overfitting em comparação com o uso de dados apenas de amostra. Mas não constituem um teste definitivo e imparcial da robustez.

É por isso que reservamos um bloco adicional de dados históricos que o Builder nunca vê em nenhum estágio para testes verdadeiramente independentes fora da amostra. Porque permanece intacto, funciona como um benchmark verdadeiramente independente. Testar após a conclusão de toda a geração e do processo de seleção fornece uma indicação muito mais confiável de como uma estratégia poderá se comportar em condições reais de execução. Se ela se manter válida mesmo em dados completamente diferentes, a vantagem provavelmente se generalizará para além dos padrões específicos presentes durante a evolução.

Como você cria e testa ideias de negociação personalizadas?

Muitas das minhas melhores indicações começam com observações simples sobre o comportamento dos preços.

Por exemplo: o dia anterior fechou mais alto ou mais baixo? A cotação ultrapassou o intervalo de ontem? O mercado reverteu após uma movimentação incomum? Essas observações são fáceis de descrever, de codificar e contêm menos valores ajustáveis do que os indicadores tradicionais.

Eu também estudo ideias de outros traders sistemáticos, artigos de StrategyQuant comunidade, pesquisas acadêmicas e literatura de trading estabelecida. O trabalho de Larry Williams, por exemplo, me apresentou a padrões de preços como o Smash Day e o Kangaroo Tail, que estão presentes em muitos dos meus sistemas.

Construção de Portfólio, Risco e Negociação Ao Vivo

Por que o portfólio é mais importante do que qualquer estratégia individual?

Meu objetivo não é encontrar algumas estratégias extraordinárias. É construir um portfólio de estratégias relativamente “mediocres” que produzam retornos modestos, se comportem de forma diferente umas das outras e se combinem para formar uma curva de ações muito mais suave.

Many profitable systems that pass all my robustness tests experience long stagnation periods—sometimes several years of flat performance. That can make an individual strategy extremely difficult to trade, even when its results remain within the range suggested by its historical backtest.

The solution is diversification across uncorrelated return streams. When one group of strategies is flat or losing, another group may be generating profits. Each strategy contributes a small and imperfect piece, but together they can produce a more stable and dependable equity path.

I measure correlation using each strategy’s monthly profit and loss. You can’t assume that two strategies are correlated simply because they trade related instruments. Two systems trading the same U.S. index could still produce very different return streams, because their entry conditions, exits, trade direction, timing, and holding periods differ. Correlation has to be measured from the actual retornos.

Even with a strong development and validation process, some strategies will disappoint after deployment. No amount of historical testing lets you know in advance which strategies will become the future winners. A broad, low-correlation portfolio reduces dependence on any single outcome, since the strategies that keep working can offset those that flatten out or fail.

How do you set risk?

I set risk at the portfolio level rather than sizing each strategy in isolation.

A common mistake is to base position sizing on the single maximum drawdown shown in a historical backtest. This is the core problem: a backtest gives you one realization of many possible outcomes. It doesn’t tell you how bad things could get if the same distribution of returns unfolds in a less favorable order. Markets don’t guarantee that the future will resemble the past sequence of trades; they only suggest that the statistical properties of that distribution may persist.

To address this, I export the complete portfolio trade list to Excel and run Monte Carlo simulations using block bootstrapping. I use block bootstrapping instead of simple random resampling because trades aren’t independent. This is because strategies often exhibit clustering: periods where they perform well and periods where they struggle. Standard resampling breaks this structure and can underestimate risk by smoothing out the streaks. Block bootstrapping preserves the clusters, producing more realistic sequences that better reflect how drawdowns develop in practice.

The simulations generate thousands of plausible equity curves. Instead of a single drawdown number, I get a distribution of drawdowns. That shows me not just what happened, but what could reasonably happen under adverse conditions, and it lets me estimate how severe a drawdown might become under an unusually poor but still statistically plausible sequence of returns.

What do you do when your live portfolio enters a drawdown?

Your first task should be to identify where the drawdown is coming from.

First: strategy performance

The portfolio may simply be experiencing ordinary variance. Just because your portfolio or certain strategies are in a drawdown doesn’t mean they’re “broken”. As long as it’s within your predictions, you just need to wait it out.

That said, if you notice an unusual pattern of steep drawdowns, that’s cause for deeper investigation. Say the portfolio has drawn down 10% three times in the past six months, but your Monte Carlo simulations suggest that should only happen once or twice a year. Something is worth looking into.

Second: execution integrity

A backtest may show that a strategy should be up 2% while the live version is down 5%. That kind of mismatch suggests an execution problem. Compare your trades immediately and find where the issue is coming from. Are there:

• Missing trades?
• Duplicate trades?
• Discrepancies in P&L (losers where there should be winners)?
• Entry and exit timing issues (same trades, but closing earlier or later)?

Backtests, done right, are the best tool we have for predicting future performance. When they’re no longer reliable, your foundation is gone.

Third: trading costs

The live equity curve may have a similar shape to the backtest but perform worse because spreads, commissions, or slippage are higher than expected. In that case, the historical cost assumptions need updating, and you’ll have to rerun everything through your workflow again.

The takeaway

Don’t panic and remove strategies simply because the portfolio enters a drawdown. Identify the source of the drawdown and take the appropriate steps.

Why is tick-data testing so important to you?

I learned this through live experience. For a while, I only tested on M1-resolution data, because the average trade duration for my strategies was a few hours. I didn’t think tick data was necessary. Then I ran into execution discrepancies, and when I retested using tick data, the performance for some strategies deteriorated sharply.

The difference is as follows:

• A one-minute bar tells you the open, high, low, and close.
• Tick data models the actual order of price movements as they occur.

Crucially, M1 data doesn’t tell you which price occurred first. That could matter because:

• A stop-loss may have been hit before the profit target.
• A pending order may have triggered at a different point.
• A trailing stop may have moved before price reversed.

Sometimes the performance between M1 vs. tick data is almost identical, and sometimes it’s dramatically different. I haven’t yet found a way to predict this.

At the end of the day, I may not always know exactly por que a strategy’s performance degrades so much on tick data compared with M1, but I don’t always need to know. When the degradation is large, I throw the strategy away without a second thought. Since SQX makes strategy generation trivial, I can always find hundreds of replacement candidates ready to swap in.

How much performance degradation do you consider normal?

I don’t have a fixed cutoff for individual strategies, because I manage the portfolio as a single unit. I set an extremely pessimistic max drawdown threshold for the entire portfolio, and I monitor individual strategies mainly to confirm they’re behaving the way their backtests said they would. Whether a given strategy is up or down matters less to me than whether its results still fall inside the range my simulations predicted.

To answer the question more directly: some degradation from in-sample to out-of-sample performance is inevitable and expected. On my YouTube channel, I ran a public experiment where I generated random strategies without applying robustness tests. Tested on out-of-sample data, they showed a substantial drop in average performance as measured by the Sharpe ratio—around 40% to 50% from in-sample to out-of-sample.

With proper robustness testing, the degradation improved significantly, though it was never eliminated completely. Multimarket testing, which is itself a form of out-of-sample testing, was one of the strongest filters.

That’s the best we can hope for: reducing the potential for degradation across the portfolio and improving the odds that enough strategies keep performing.

How do you manage the portfolio after deployment?

This is where my approach diverges from a lot of the advice you’ll hear from trading educators.

To repeat myself, you have to accept that a strategy not performing doesn’t mean it’s “broken”. If you constantly eliminate strategies that look broken, you may be eliminating them right before they start to rebound. Losing periods cluster, and so do winning ones. The problem is that you don’t know quando one will turn into the other. So the best thing you can do is avoid putting your eggs in one basket and spread risk across a portfolio of strategies.

At the risk of sounding like a broken record: because the portfolio was built and sized as a group, portfolio drawdown remains my main risk metric. I monitor individual systems only for execution integrity, checking whether the trades match the backtests.

Every three to four months I refresh the portfolio. I rerun the existing strategy databanks through the same filters and treat the newest data as additional out-of-sample evidence. Then I keep the survivors and rebuild the portfolio from the updated pool. This tests both whether the strategies hold up and whether my workflow itself is robust.

Research, Education, and AI

What role does AI play in your workflow?

SQX’s genetic evolution is itself a form of machine learning, so in that sense AI has been central to my process from the start. Beyond that, I use LLMs for fixing code and analyzing exported trade data.

I want to caution that most of what people do with AI in trading is overrated. One key mistake is using various machine learning techniques to generate buy and sell signals by training it on whatever features you feed it. Another is going to ChatGPT and asking it “give me a profitable trading strategy”. The problem here is that an LLM is built to satisfy you. Ask it for a strategy that looks good on paper and it will hand you a strategy that looks good on paper, because that’s what you asked for. It’s only as good as the operator.

There’s no shortcut around building a process and learning enough to evaluate what comes out of it. AI can speed up the mechanical parts of that work. It can’t do the judgment for you.

What knowledge should systematic traders develop?

Systematic traders should understand basic statistics and data science concepts. Some examples include but aren’t limited to:

• Hypothesis testing
• Tamanho da amostra
• Averages vs. medians
• Correlation
• Análise de Monte Carlo
• Bias
• In-sample vs. out-of-sample data

Without these foundations, it’s difficult to judge the strength of your evidence or decide which research choices make sense. A basic statistical foundation also lets you conduct your own research to see what works, which SQX makes incredibly easy. That’s far more useful than asking someone for the “best settings”. There is no collection of magic settings hidden in a private Discord.

Who is Trivium SQX Academy designed for?

Trivium SQX Academy is designed for traders who already understand the basics of StrategyQuant X and want to take it seriously without spending thousands of hours assembling a complete process through trial and error.

Inside, I share:

• My exact workflow
• Custom code
• Custom signal blocks
• Validation methods
• Portfolio construction methods
• Practical systems used in my own process

There is also a private community of like-minded SQX algorithmic traders.

What is your final advice for building strategies that survive live trading?

If I had to summarize my approach:

• Get the data and broker settings right before doing anything else.
• Keep the logic simple. Favor low-parameter and zero-parameter signals.
• Get as many trades as you can, especially on genuinely untouched out-of-sample data.
• Try to break every strategy. Test different markets, parameters, data sequences, costs, and execution precision.
• Confirm that the backtest resembles the broker, spread, resolution, and execution conditions you’ll actually trade.
• Stop searching for one perfect system. Build several independently tested strategies instead.
• Expect some of them to disappoint, and set your risk so that you’re still around to trade the recovery.

With SQX, generating strategies is the easy part. Building a process that knows which ones to reject is where most of the work happens.