A primeira camada do nosso trabalho vive na infraestrutura. Desenhamos pipelines que aceitam fluxos de ticks e livro de ordens de várias origens, tratam de latências, horários de mercado e falhas temporárias. O objetivo é simples: que consiga confiar que os dados que chegam às suas análises representam, de forma consistente, o que aconteceu no mercado durante o período estudado.
Normalização em coautoria
Na segunda camada, a da normalização e enriquecimento, trabalhamos lado a lado com as suas equipas para definir regras de reconstrução de livro, agregação temporal e deteção de eventos. Não impomos um modelo único; documentamos opções, testamos variantes e mantemos versões paralelas quando faz sentido, para que possa comparar abordagens com base em métricas objetivas.
Na terceira camada, a da interpretação, ligamos métricas a perguntas específicas: liquidez efetiva em janelas curtas, impacto médio de ordens, padrões de profundidade, comportamento de spreads. Utilizamos técnicas de IA para identificar regimes e anomalias, mas nunca escondemos a lógica estatística por trás dos resultados, permitindo que a sua equipa valide, questione e refine cada insight.
O que nos move não é criar mais um produto de IA, mas reduzir a distância entre dados brutos de mercado e decisões quantitativas informadas, sem promessas exageradas.
Se está a ler esta página, provavelmente já se perguntou quantas horas de trabalho são gastas a limpar dados antes de qualquer análise séria sobre mercado começar.
Na Frexanotula, olhamos para essa realidade com uma mistura de pragmatismo e ambição contida. Sabemos que nenhum pipeline é perfeito, que qualquer feed pode falhar e que qualquer modelo pode interpretar mal um regime raro. É precisamente por isso que construímos processos em torno de monitorização, alertas e revisões técnicas regulares, em vez de depender de ajustes pontuais quando algo corre mal.
Trabalhamos com equipas que lidam diariamente com pressões de tempo e escrutínio interno. Por isso damos prioridade a documentação sucinta, exemplos concretos e métricas de qualidade claras, em vez de apresentações genéricas sobre inteligência artificial. Queremos que as pessoas que usam os dados percebam não só o que mudou, mas também porque mudou e como pode ser revertido se necessário.
O nosso compromisso é manter uma conversa aberta sobre limitações, riscos e incerteza estatística. Falamos de enviesamentos, períodos de quebra de regime e problemas de amostragem com a mesma naturalidade com que falamos de ganhos de eficiência. Resultados podem diferir de caso para caso e dependem sempre de decisões de utilização, pelo que preferimos ajudar a formular boas perguntas do que prometer respostas definitivas.
Quando dizemos que queremos simplificar dados de alta frequência, não queremos dizer que tudo fica mágico e fácil de um dia para o outro. Queremos dizer que deixamos de passar horas a tentar perceber porque é que um feed falhou, porque uma série foi truncada ou porque uma métrica de liquidez mudou depois de uma simples alteração de código. Primeiro, desenhámos uma abordagem que chamamos de ciclo de três camadas: ingestão controlada, normalização explícita e interpretação contextual. Em ingestão controlada tratamos de formatos, latências, fusos horários, microsegundos e falhas de ligação. Em normalização explícita tornamos visíveis todas as decisões de agregação, reconstrução de livro e filtragem de outliers. Em interpretação contextual ligamos cada métrica a hipóteses claras sobre microestrutura, custos de transação e comportamento intradiário. Depois, aceitámos que IA não é uma varinha mágica. Usamos modelos de machine learning para detetar padrões e anomalias em fluxos de ordens, mas mantemos sempre espaço para inspeção humana, auditoria e versões alternativas das mesmas séries. Preferimos explicar porque um sinal é frágil do que apresentá‑lo como resposta definitiva. Finalmente, mantemos o foco em quem usa os dados: equipas de pesquisa quantitativa, risco e tecnologia que precisam de respostas objetivas para perguntas concretas, com prazos e limitações reais. O nosso objetivo é que consiga testar ideias sobre liquidez intradiária, impacto de ordens e dinâmica do livro com menos fricção operacional e mais tempo para raciocínio estatístico profundo. Results may vary.
Falamos como utilizadores porque também somos utilizadores. Trabalhamos diariamente com dados de mercado em tempo quase real, construindo pipelines que ingerem, normalizam e enriquecem fluxos de ticks e livro de ordens para apoiar pesquisa de microestrutura, execução intradiária e análise de liquidez, sempre com atenção aos limites tecnológicos e regulatórios.
Baseados em Portugal, juntamos experiência em ciência de dados, engenharia de sistemas distribuídos e pesquisa quantitativa. Não prometemos atalhos, prometemos processo: monitorização, validação e documentação de cada etapa, para que possa discutir resultados com a mesma confiança com que discute modelos internos. Past performance does not guarantee future results.
Somos uma equipa pequena o suficiente para conhecer os seus fluxos de dados pelo nome, e suficientemente técnica para discutir microestrutura, latência e qualidade de feed ao nível de detalhe que as suas decisões exigem.
Quando falamos da Frexanotula, falamos menos de software e mais de uma forma de trabalhar com dados de alta frequência que tenta ser honesta sobre o que a tecnologia consegue, e sobre onde ainda é preciso análise humana cuidadosa.
Na prática, isso significa aceitar que fluxos de ticks e livro de ordens são complexos, ruidosos e, às vezes, contraditórios. Em vez de tentar esconder esse ruído atrás de gráficos polidos, preferimos expô‑lo, quantificá‑lo e ajudá‑lo a decidir que nível de imperfeição é aceitável para cada estudo. Esta postura é especialmente relevante quando se trata de análises intradiárias sensíveis a microsegundos e a pequenas alterações de liquidez.
Outra característica da nossa forma de trabalhar é a preocupação constante com rastreabilidade. Queremos que seja possível responder, meses depois, a perguntas como: que filtros estavam ativos neste estudo, que fontes foram utilizadas, que parâmetros de reconstrução de livro foram aplicados. Essa rastreabilidade não é apenas conforto técnico; é uma ferramenta de governação para equipas de risco, compliance e auditoria interna.
Por fim, acreditamos que uma boa colaboração começa com expectativas alinhadas. Não prometemos previsões infalíveis, nem transformações instantâneas de processos. Propomos uma melhoria progressiva: primeiro estabilizar dados, depois clarificar convenções, finalmente explorar modelos mais sofisticados quando a base já é sólida. Past performance does not guarantee future results, e fazemos questão de repetir isso sempre que olhamos para métricas históricas.
Os valores da Frexanotula nascem de conversas reais com equipas que lidam diariamente com dados de alta frequência, microestrutura e decisões que não admitem simplificações fáceis.
Colocamos a clareza acima do jargão. Preferimos uma explicação simples e precisa sobre como foi reconstruído um livro de ordens a uma descrição vaga de algoritmos complexos. Isso ajuda equipas técnicas e de gestão a alinharem‑se em torno dos mesmos factos.
Sabemos que um pipeline de dados só é útil se se mantiver estável ao longo do tempo. Valorizamos práticas consistentes de monitorização, testes e revisão, para que mudanças em feeds ou mercados sejam detetadas cedo e tratadas com método, não com improviso.
Encaramos IA como ferramenta, não como atalho. Damos prioridade a modelos que podem ser explicados e revistos, em vez de abordagens opacas difíceis de justificar perante comités de risco ou auditoria interna.
Assumimos compromissos realistas. Não prometemos previsões perfeitas, nem resultados uniformes para todos os casos. Preferimos trabalhar com objetivos mensuráveis, revisitar decisões à luz de novos dados e lembrar que past performance does not guarantee future results.