<!-- reviewed: 2026-06-10 by Codex, ISSUE_9305 Batch 5 insights locale review; source: ISSUE_9256 M4/M5/M6 -->
---
title: Trading Software Generations: From MT4 to LLM
url: https://stratcraft.ai/insights/trading-software-generations
type: insight
---

# Gerações de Software de Trading: do MT4 ao LLM

O software de trading evoluiu através de quatro gerações práticas: componentes de indicadores, estratégias empacotadas, pipelines de investigação ao nível de sistema e workflows prompt-to-code com LLMs.

## Comparação entre gerações

| Dimensão | Gen 1: Indicator Era | Gen 2: Strategy Era | Gen 3: System Era | Gen 4: LLM Era |
|---|---|---|---|---|
| Período | ~2005-2012 | ~2012-2018 | ~2018-2023 | 2023-presente |
| Produtos representativos | MT4 / MQL4 | Backtrader, freqtrade, vnpy | QuantConnect, WorldQuant BRAIN | ChatGPT + API de corretora |
| Abstração principal | Indicadores modulares | Lógica de estratégia empacotada: entrada, saída, sizing | Pipeline de feature engineering | Linguagem natural para código |
| Workflow típico | Arrastar indicadores, definir condições, fazer backtest | Escrever código de estratégia, otimizar parâmetros, fazer backtest | Construir pipeline de features, treinar, validar, executar | Prompt, gerar estratégia, fazer backtest |
| Avanço principal | Os indicadores passaram dos livros e fóruns para componentes reutilizáveis | Estratégias completas tornaram-se empacotáveis, partilháveis e reproduzíveis | O pipeline tornou-se o produto, com validação padronizada | A geração é rápida e a barreira de entrada é baixa |
| Armadilha típica | Culto ao indicador e pensamento «cálice sagrado» | Sobreajuste de parâmetros: a procura genética encontra coincidência, não robustez | Data leakage e survivorship bias | Alucinação de estratégia e cegueira ao overfitting de backtest |
| Causa-raiz da falha | As regras são manuais e carecem de validação sistemática | O objetivo de otimização é o retorno do backtest, não a robustez | A complexidade do modelo esconde problemas de qualidade de dados | O modelo salta a infraestrutura acumulada nas três primeiras gerações |

## Modos de falha em LLMs

### Alucinação de estratégia

O modelo emite lógica de trading plausível, que parece quantitativa mas não tem fundamentação de mercado, ausência de fundamento estatístico ou assunções inválidas. Cria código que passa nos testes de sintaxe enquanto contrabandeia falsa causalidade.

### Cegueira ao overfitting de backtest

O modelo trata um backtest lucrativo como validação e ignora leakage, mineração de parâmetros, regimes instáveis ou survivorship bias. Acelera o curve fitting porque a velocidade de geração multiplica variantes não testadas.

## Exemplo de padrão Z-Score

```python
spread = asset_a.close - hedge_ratio * asset_b.close
z_score = (spread - spread.mean()) / spread.std()

if z_score > 2:
    short(asset_a)
    long(asset_b)
elif z_score < -2:
    long(asset_a)
    short(asset_b)
```

## Modelo + ferramentas

Os LLMs são úteis quando envolvidos em ferramentas. Uma stack séria de trading não é apenas um modelo; inclui motores de pricing, lógica de execução, controlos de risco, validação de dados, monitorização e disciplina de deploy. Os sistemas ao estilo Jane Street mostram o padrão: o modelo é uma camada dentro de uma toolchain maior.

## Posicionamento do StratCraft

O StratCraft não é uma reivindicação de Gen 5. É infraestrutura para programadores de Gen 2 e Gen 3 que precisam de desempenho local de backtesting de nível C++, isolamento de plugins e um ecossistema que torna a geração, validação e composição de estratégias repetíveis.

Fonte: https://stratcraft.ai/insights/trading-software-generations
