Radar arXiv: Mercado de Capitais, Economia e IA

O arquivo q-fin somou 37 papers na janela, com três frentes claras. Primeiro, governança de agentes quantitativos: um árbitro 'anytime-valid' separa o agente que propõe fatores de investimento de quem decide aprová-los, atacando diretamente o data snooping que infla backtests gerados por LLMs. Segundo, microestrutura e execução: um modelo de execução ótima multiativos incorpora a restrição de caixa compartilhada no rebalanceamento, algo ignorado pela literatura de cross-impact, enquanto outro trabalho modela market making e desenho de rebates em opções. Terceiro, risco: geradores neurais baseados em transporte ótimo semi-discreto escapam da limitação de mapas Lipschitz, que subestimam caudas pesadas, e um CAT bond paramétrico transparente para tempestades na Alemanha tenta equilibrar risco moral e risco de base. Completam a semana volatilidade de swaps com GARCH de regimes e mercados de previsão superando a previsão meteorológica oficial. Para bancos e gestoras, o recado é que a automação da pesquisa quant precisa vir com controles estatísticos formais.

q-fin.CP teve 6 papers. O destaque questiona a prática padrão de comparar modelos de volatilidade mantendo a perda fixa: em cripto, a escolha da função de perda altera o nível médio da previsão e isso domina a diferença entre arquiteturas, com efeito direto em VaR e margens. OrderFusion+ produz trajetórias probabilísticas de preços de compra e venda no mercado intradiário de eletricidade, útil para mesas de commodities e hedge de energia. A execução ótima multiativos sob restrição de caixa e o gerador de caudas via transporte ótimo semi-discreto também aparecem aqui por cross-list, reforçando a interface entre computação e risco. Fecham a semana HARN, rede hierárquica orientada a eventos para previsão em múltiplos horizontes, e um modelo multitarefa com sinais de liquidez para previsão de ações. O fio comum é tratar a camada de treino (perda, horizonte, liquidez) como decisão de risco, não detalhe de implementação.

q-fin.GN teve 6 papers, quatro deles liderados por Walter Kurz e coautores sobre IA em finanças reguladas na região DACH. O destaque propõe infraestrutura em camadas multiagente com trilhas de auditoria em DLT, tratando regulação como camada de orientação e não como regra determinística. Outros descrevem arquitetura multiagente para seguradoras sob Solvência II e AI Act, requisitos para sistemas de trading de eletricidade assistidos por IA e um modelo de avaliação de empresas por opções reais com marcos, para quando a IA redefine o modelo de negócio. Fora desse bloco, um estudo mostra que mercados de previsão de temperatura máxima superam a previsão meteorológica oficial do dia seguinte, reforçando a tese de agregação de informação dispersa. Para bancos, o conjunto oferece checklists de arquitetura mais do que evidência empírica, mas antecipa como supervisores podem ler auditabilidade de agentes.

q-fin.MF somou 8 papers. O destaque modela o problema aninhado entre o market maker de múltiplas calls europeias e a bolsa que desenha rebates, em ambiente de volatilidade local-estocástica, oferecendo estratégias ótimas para ambos — tema sensível para bolsas que calibram incentivos de liquidez em opções. Outro trabalho resolve investimento e consumo em horizonte infinito quando a incerteza corre por um relógio de variância integrada, generalizando modelos de volatilidade estocástica. Em commodities, índices CVOL da CME permitem identificar vol-of-vol e alavancagem a partir da dinâmica do sorriso de soja. Há ainda gestão ativa em mercados concentrados via teoria estocástica de portfólios, GARCH de regimes para volatilidade de swaps USD 1Yx10Y, modelos afins via quantização de grupos, completude de mercado sob informação restrita e limites fracos locais para risco em redes econômicas.

q-fin.PM teve 4 papers. O destaque defende 'autoevolução governada': agentes LLM podem propor e testar fatores de investimento, mas a decisão de aceitar ou aposentar cada fator fica com um árbitro estatístico válido a qualquer momento, controlando descobertas falsas ao longo de um processo contínuo de pesquisa. É uma resposta direta ao risco de overfitting em pipelines automatizados. Na mesma linha prática, um arcabouço de dois níveis seleciona online o tamanho da janela de estimação de portfólios considerando custos de transação. Em mercados concentrados, a teoria estocástica de portfólios mostra como estratégias ativas podem superar o índice ponderado por capitalização quando poucos nomes dominam — questão central para benchmarks de ações globais e também para a B3. Fecha a lista um problema de consumo-investimento com relógio de variância.

q-fin.PR registrou apenas 1 paper na janela coletada. Ele propõe um CAT bond com gatilho de perda modelada paramétrica totalmente transparente, aplicado a tempestades de vento na Alemanha, buscando reduzir o conflito clássico entre risco moral (gatilhos indenizatórios) e risco de base (gatilhos paramétricos puros). O desenho permite que investidores reproduzam a perda a partir de dados públicos, o que tende a reduzir prêmio de ambiguidade e facilitar precificação. Para o mercado de capitais, isso importa porque a capacidade de resseguro depende cada vez mais de ILS, e a transparência do gatilho é um dos principais entraves para investidores institucionais fora do nicho. Bancos e seguradoras que avaliam emissões catastróficas, inclusive em mercados emergentes expostos a eventos climáticos, podem usar a abordagem como referência de estruturação.

q-fin.RM concentrou 12 papers, a maior categoria q-fin da semana. O destaque mostra que geradores neurais construídos com mapas Lipschitz, por estabilidade de treino, não conseguem reproduzir caudas pesadas; o transporte ótimo semi-discreto contorna o problema e melhora a estimação de risco de cauda em carteiras. Na teoria, há resultados sobre superaditividade universal ponderada do VaR em distribuições discretas e diversificação de risco para distribuições infinitamente divisíveis, temas que tocam diretamente a agregação de capital. Um arcabouço de BSDE refletida com deep learning trata medidas de risco sob ambiguidade conjunta de modelo e taxa de desconto. No lado aplicado, um guia prático de validação gráfica (calibração, lift, Murphy) para modelos atuariais, o CAT bond paramétrico, a volatilidade cripto e opções de armazenagem em commodities.

q-fin.ST teve 7 papers. O destaque formaliza uma 'lei de conservação': na validação de séries temporais não é possível ter ao mesmo tempo treino com quase toda a amostra, teste cobrindo quase toda a amostra e respeito à ordem temporal. Isso explica por que esquemas de walk-forward e k-fold purgado sempre sacrificam algo, e dá linguagem para justificar escolhas a comitês de modelo. Outro trabalho testa se é possível 'apagar' um ano de dados de mercado de um modelo quando a licença expira, comparando machine unlearning com retreino exato — questão prática para contratos de dados de vendors. Há ainda decomposição de previsões cross-section em componente alinhado ao alvo comum, redução de ruído em séries de alta dimensão, renda estimada via aprendizado federado para crédito digital e o árbitro sequencial de fatores.

q-fin.TR teve 2 papers na janela coletada. O destaque trata de execução ótima multiativos quando o rebalanceamento compartilha uma restrição de caixa: vender um ativo financia a compra de outro, o que cria interações que os modelos de cross-impact tradicionais ignoram e pode tornar inviáveis agendas 'ótimas' calculadas ativo a ativo. O resultado é relevante para mesas de execução de fundos, que precisam rebalancear carteiras inteiras sem ficar descobertas no caixa intradiário. O segundo trabalho descreve a arquitetura funcional dos mercados europeus de eletricidade e os requisitos regulatórios (REMIT, MiFID II, AI Act) para sistemas de trading apoiados por IA, útil como checklist para quem opera mesas de energia automatizadas.