Informação detalhada sobre a Frexanotula
A verdade é que ninguém pede uma página "mais técnica" só por
curiosidade. Normalmente chega aqui depois de várias conversas internas em que
alguém perguntou: "Mas concretamente, o que é que eles fazem com os nossos
dados de alta frequência?" Nesta página juntámos o lado operacional da
Frexanotula: como pensamos ingestão de ticks e livro de ordens, que tipo de
normalização aplicamos, onde entra IA e, sobretudo, que limitações assumimos
desde o início. Tudo actualizado para 2026 e escrito para quem precisa de
argumentos claros na hora de defender um projecto dentro da casa.
Para quem é esta página
Nesta página reunimos detalhes operacionais para quem precisa de argumentos sólidos na hora de defender projectos de dados de alta frequência dentro da organização.
Se chegou até aqui, provavelmente já tem uma ideia concreta em mente: estabilizar feeds,
comparar convenções de livro, ou simplesmente perceber se os seus dados de alta
frequência aguentam as perguntas que quer fazer.
A nossa experiência mostra que muitos problemas atribuídos a modelos são, na verdade,
problemas de dados. Feeds que falham em momentos críticos, timestamps desalinhados entre
fontes, diferenças subtis em regras de reconstrução de livro e períodos de baixa
liquidez tratados como ruído. Ao tornar estes factores visíveis, evitamos que debates
estratégicos se percam em discussões sobre qual série está "certa".
Outro ponto recorrente é a necessidade de falar sobre dados com públicos diferentes. Equipas técnicas precisam de detalhe de implementação, enquanto gestão e risco precisam de clareza sobre impactos e limitações. Por isso trabalhamos com camadas de documentação: desde descrições operacionais de pipelines até resumos executivos que explicam, em poucas linhas, o que uma métrica de microestrutura mede e o que ela não consegue dizer.
Finalmente, encaramos a adopção de IA como um processo gradual. Começa com monitorização
e detecção de anomalias relativamente simples, avança para análise de regimes e só mais
tarde, se fizer sentido, para modelos mais sofisticados. Past performance does not
guarantee future results, e por isso preferimos construir confiança aos poucos, com
resultados que podem ser revistos e explicados, em vez de depender de promessas fortes à
partida.
Como trabalhamos na prática
Esta página é para quem quer ir um nível abaixo do discurso de alto nível e perceber, passo a passo, como pensamos ingestão, normalização e interpretação de dados de alta frequência.
Radiografia inicial das suas fontes de dados
Quando fala connosco, não começamos por mostrar gráficos brilhantes. Começamos por perguntar de onde vêm os seus dados de alta frequência, como chegam, que latências envolvem e que falhas históricas já o fizeram perder tempo. Mapeamos fontes de ticks e livro de ordens, formatos, calendários e restrições de infraestruturas internas. Esta fase é mais inventário do que glamour, mas sem ela qualquer discussão sobre IA ou métricas de microestrutura fica suspensa no ar.
Assumimos que feeds falham, timestamps derrapam e livros chegam incompletos, por isso começamos sempre pela radiografia das fontes.
Diagnóstico técnico realista
Primeiro olhamos para os dados tal como são hoje: feeds reais, falhas reais, limitações reais, sem promessas antecipadas de modelos perfeitos.
Normalização explícita e discutível
Depois de conhecer as fontes, passamos para a camada em que quase tudo se decide: normalização. Aqui clarificamos convenções de reconstrução de livro, agregação temporal, tratamento de cancelações e detecção de períodos anómalos de liquidez. Em vez de esconder estas escolhas em código opaco, registamos cada decisão, os motivos por trás dela e os impactos esperados nas métricas de microestrutura. Isso facilita conversas entre pesquisa, risco e tecnologia e reduz surpresas em auditorias futuras.
Preferimos decisões explícitas a regras escondidas, mesmo que isso torne as conversas mais técnicas.
Convenções visíveis
Transformamos decisões técnicas sobre normalização em artefactos documentados, para que possam ser discutidos e revistos ao longo do tempo.
Interpretação com IA explicável
Com a ingestão estável e a normalização documentada, passamos à camada de interpretação. Utilizamos IA e estatística aplicada para ligar métricas intradiárias a perguntas concretas: padrões de profundidade, comportamento de spreads, impacto médio de ordens em diferentes regimes. Em vez de um único número final, preferimos mostrar cenários, sensibilidades e limitações de dados, para que a sua equipa possa aceitar, questionar ou recusar conclusões com base em evidência. Past performance does not guarantee future results e resultados podem variar.
Usamos IA para testar hipóteses, não para declarar verdades absolutas sobre o mercado.
IA como ferramenta crítica
A camada de interpretação existe para apoiar discussões técnicas, não para substituir o juízo crítico de quem decide diariamente.
Ciclos de revisão e adaptação contínua
Nenhum pipeline de dados de alta frequência é estático. Novas fontes entram, formatos mudam, mercados ajustam horários e as equipas internas reconfiguram prioridades. Por isso, trabalhamos com ciclos de revisão periódica, em que voltamos a olhar para ingestão, normalização e interpretação à luz de novas realidades. Documentamos alterações, mantemos rastreabilidade entre versões e ajudamos a decidir quando faz sentido aceitar mais complexidade e quando é melhor simplificar.
Metodologia só faz sentido se aguentar mudanças de mercado, equipas e regulação.
Manutenção estruturada
Tratamos o pipeline como um sistema vivo, que precisa de manutenção e decisões explícitas para acompanhar mudanças externas.
O que é realista esperar da nossa colaboração
Transparência sobre limites e possibilidades é a base da nossa relação com quem trabalha
connosco.
Antes de qualquer integração, gostamos de alinhar expectativas sobre o que a nossa abordagem
pode e não pode fazer pelos seus dados de alta frequência.
Por fim, vale a pena falar de como pensamos o tema de responsabilidade quando se trata
de dados de alta frequência e IA.
Quando partilhamos exemplos, cenários ou descrições de métricas, fazemos‑lo com
intenção informativa, não como recomendações para decisões financeiras,
regulatórias ou operacionais específicas. Qualquer utilização prática das ideias
aqui descritas deve ser avaliada à luz da realidade da sua organização, das suas
políticas internas e do enquadramento regulatório aplicável. Past performance
does not guarantee future results e resultados podem diferir significativamente.
Vemos o nosso papel como o de um parceiro técnico que ajuda a construir e manter processos, não como alguém que decide por si. Isso significa que insistimos em validações internas, revisões periódicas e documentação que permita, meses depois, perceber porque uma determinada decisão foi tomada e que dados a suportavam na altura. Esta postura pode parecer mais lenta, mas tende a reduzir mal‑entendidos e riscos acumulados ao longo do tempo.
Se, depois de ler esta página, tiver dúvidas específicas sobre como enquadramos
responsabilidades, riscos ou limitações, recomendamos que combine uma conversa
técnica connosco e, quando adequado, envolva também as suas equipas jurídicas e
de risco. Results may vary e nenhuma descrição genérica substitui uma análise
dedicada ao seu contexto concreto.
Visão geral
Para explicar melhor a nossa abordagem, gostamos de usar um pensamento
experimental simples: imagine que tem de justificar, perante um comité técnico,
porque uma métrica de liquidez intradiária mudou de comportamento no último
trimestre. Se a resposta depende de uma cadeia de scripts pouco documentados, a
discussão começa em desvantagem. Se, pelo contrário, existe um pipeline claro,
com decisões de normalização registadas e métricas interpretadas à luz de
hipóteses explícitas, a conversa torna‑se técnica, não defensiva. É aqui que
entra a combinação de IA e processo que seguimos na Frexanotula. Primeiro
estabilizamos a ingestão de ticks e livro de ordens, depois tornamos as
convenções de normalização transparentes, e só então aplicamos modelos para
explorar padrões e anomalias. Cada camada acrescenta informação sem esconder a
anterior, permitindo voltar atrás sempre que necessário. Past performance does
not guarantee future results, mas uma boa rastreabilidade ajuda a perceber o que
aconteceu, porque aconteceu e o que pode ser ajustado a seguir.
Trabalho conjunto
Na prática, o trabalho com dados de alta frequência raramente começa com modelos. Começa com conversas entre pessoas que olham para o mesmo problema por ângulos diferentes: quem constrói sistemas, quem faz pesquisa quantitativa, quem responde por risco e quem precisa de explicar decisões a gestão. Na Frexanotula, facilitamos estas conversas com artefactos concretos: diagramas de ingestão, descrições de convenções de normalização e exemplos de métricas de microestrutura com as suas limitações bem marcadas. Não prometemos processos perfeitos, prometemos processos visíveis. Quando algo corre mal, queremos que seja possível seguir o rasto até ao ponto exacto em que um feed falhou, uma regra foi mal configurada ou um pressuposto deixou de fazer sentido. Results may vary, e é precisamente por isso que damos tanta importância a documentação mínima, revisões periódicas e canais abertos para discutir dúvidas técnicas ao longo do tempo.
Resumo executivo
Se quer perceber rapidamente se a nossa abordagem encaixa na sua realidade, este resumo é para si.
Se tivéssemos de resumir o nosso trabalho em poucas linhas, diríamos que ajudamos equipas a transformar dados de alta frequência em algo que pode ser discutido com calma. Primeiro, mapeamos fontes de ticks e livro de ordens, latências e falhas conhecidas. Depois, definimos convenções de normalização que possam ser explicadas a não programadores. Finalmente, usamos IA para explorar padrões intradiários, sempre com alertas claros sobre limitações de dados e incerteza estatística. Results may vary, e é precisamente por isso que insistimos em documentação e revisão contínua.
Falar connoscoO que pode esperar passo a passo
Esta página existe para responder à pergunta que ouvimos muitas vezes em reuniões:
"Na prática, o que é que vocês fazem com os nossos dados de alta frequência?"
Em vez de um slogan, preferimos um roteiro claro do que pode esperar ao trabalhar
connosco.
-
Levantamento técnico inicial
Começamos sempre por um levantamento estruturado das fontes de dados existentes: quais os feeds de ticks e livro de ordens, que formatos utilizam, como chegam, que latências têm e que falhas históricas já causaram problemas. Esta fase permite identificar riscos óbvios, dependências críticas e oportunidades de simplificação antes de tocar em qualquer modelo de IA.
-
Desenho de pipelines em coautoria
Em seguida, passamos para o desenho conjunto de pipelines de ingestão e normalização. Trabalhamos com as suas equipas para definir regras de reconstrução de livro, agregação temporal, filtros e monitorização. Documentamos estas decisões em linguagem que possa ser usada tanto por desenvolvimento como por risco e gestão, reduzindo mal‑entendidos e facilitando auditorias futuras.
-
Camada analítica com IA explicável
Com a base estabilizada, aplicamos técnicas de IA e estatística para interpretar métricas intradiárias: padrões de profundidade, spreads, impacto médio de ordens e outros indicadores relevantes para microestrutura. Mantemos foco em explicabilidade, mostrando onde os dados são sólidos, onde são frágeis e que hipóteses sustentam cada conclusão. Past performance does not guarantee future results, por isso evitamos extrapolações excessivas.
-
Revisão contínua e adaptação
Por fim, estabelecemos ciclos de revisão, em que voltamos a avaliar ingestão, normalização e interpretação à luz de novos dados, mudanças de mercado ou ajustamentos regulatórios. Estes ciclos ajudam a manter o sistema vivo, em vez de o tratar como projecto pontual, e permitem adaptar convenções e modelos sem perder rastreabilidade histórica.
-
Comunicação transparente sobre limitações
Ao longo de todo o processo, mantemos uma comunicação directa sobre limitações, riscos e trade‑offs. Preferimos dizer que um determinado tipo de análise não é robusto com os dados actuais do que prometer resultados que não podemos sustentar. Results may vary e fazemos questão de o repetir sempre que alguém olha para gráficos demasiado polidos.