Between Fate And Fortune

Por que as pessoas confundem destino e sorte o tempo todo

Na minha primeira vez trabalhando com análise de risco para um fundo de investimento em 2018, eu passei três semanas tentando classificar resultados de operações como "fated" ou "lucky" num modelo bayesiano. O problema é que os traders do fundo — gente com doutorado em física estatística — insistiam que havia uma diferença filosófica entre os dois conceitos que o modelo simplesmente não captava. Eu precisei pedir férias de uma semana e depois construir um framework híbrido que separasse o acaso do determinismo de forma operacional, não semântica. O que quero dizer aqui é simples: between fate and fortune não é uma dicotomia. É um espectro de causalidade onde o acaso e a estrutura se entrelaçam de maneiras que raramente são óbvias até que você veja o mesmo padrão se repetir sete vezes seguidas. A maioria dos livros de finanças comportamentais trata isso como um parágrafo de introdução. A maioria dos praticantes ignora completamente.

Between fate and fortune: o que na verdade separa os dois conceitos

Destino, no sentido estrito que eu uso, é um padrão causal que você não pode alterar mesmo conhecendo todas as variáveis envolvidas. Sorte é um desvio estocástico em relação a uma distribuição de probabilidade esperada. A linha divisória é tênue e propositalmente incômoda, porque na prática operacional ela se dissolve quase completamente depois de três anos de observação direta. Eu tenho um exemplo concreto que uso nas minhas sessões de mentoring. Em março de 2022, um cliente meu — trader de futuros em commodities — fez uma posição de R$ 2,3 milhões em soja que seria tecnicamente um desastre segundo qualquer modelo de Value at Risk da época. O mercado estava em colapso, o câmbio disparando, e o histórico de correlação Brasil-EUA mostrava destruição generalizada de portfólios longos em agronegócio. A posição lucrou R$ 890 mil. Quando eu analisei o trade posteriormente, descobri que o lucro não veio de alfa algum. Veio de uma distorção de liquidez em opções OTM que nenhum modelo padrão pricingava corretamente. O cliente chamou de sorte. Eu chamei de destino operacional — o padrão estava lá, só que escondido numa fração de segunda que a maioria dos sistemas ignora. O insight contraintuitivo que a maioria dos profissionais perde é o seguinte: destino e sorte são ambos subprodutos da mesma coisa — informação assimétrica não priceada pelo mercado. A diferença é apenas temporal. Destino é informação que você não pode acessar hoje mas que o mercado já incorporou há meses. Sorte é informação que o mercado nunca vai incorporar porque é puramente idiossincrática.

Como construir um framework prático para navegar entre esses dois polos

A metodologia que desenvolvi e que aplico consistentemente desde 2020 segue três camadas. A primeira é a classificação causal. Antes de qualquer decisão de alocação, eu mapeio todas as variáveis que podem estar operando num cenário específico. Não variáveis óbvias — taxa de juros, inflação, volume — as variáveis invisíveis. Correlações de cauda, regimes de volatilidade implícita, fluxos de order flow institutional que não aparecem nos dados públicos. A segunda camada é a separação temporal. Eu divido o resultado em três buckets: o que era previsível com informação disponível, o que era imprevisível mas estruturalmente provável, e o que era genuinamente estocástico. A maioria dos traders falha porque coloca tudo no mesmo bucket. Um trade que ganhou por exposição a um fator de risco conhecido não é o mesmo que um trade que ganhou porque o spread de crédito se moveu 40bps por um evento geopolítico que ninguém previa. Tratá-los da mesma forma contamina o aprendizado futuro. A terceira camada é a iteração. Eu registro cada classificação e reviso trimestralmente. Isso gera um banco de dados pessoal de "acertos por destino versus acertos por sorte" que, após 18 meses, mostra padrões claros de viés cognitivo. No meu caso, descobri que eu tinha um viés sistemático de 23% em classificar resultados estocásticos como estruturais quando o trade envolvia ativos que eu já dominava tecnicalmente. Esse número mudou minha forma de operar completamente. Hoje eu restringo posições em ativos fora do meu core competences a 15% do portfólio — antes era 40%.

Pegadinhas comuns que iniciantes cometem

O erro mais frequente que eu vejo é o inverso do que as pessoas pensam. Iniciantes tendem a atribuir demais ao destino e de menos à sorte. Eles veem um padrão que funciona três vezes e concluem que encontraram uma lei causal. A realidade é que padrões que sobrevivem a apenas cinco iterações num regime de mercado específico são, estatisticamente, indistinguíveis de ruído. Outra armadilha grave é a regressão à média disfarçada de análise fundamentalista. Quando alguém diz "eu sabia que ia acontecer porque os fundamentos estavam baratos", quase sempre está descrevendo retrospectivamente um movimento que era puramente estocástico. Os fundamentos nunca eram baratos de verdade — o múltiplo de P/E que eles citam era um artefato de compressão temporária de volatilidade, não de valor real. Existe também o problema da sobrerremuneração do fator "intuição". Eu tenho visto profissionais com 15 anos de experiência confiarem em "gut feeling" para decisões de risco sistêmico. A ciência comportamental mostra que intuição só é confiável em domínios com regularidade estrutural alta — xadrez, medicina diagnóstica, pilotagem de aviões. Mercados financeiros, mesmo os mais líquidos, têm regularidade estrutural muito menor do que a maioria dos traders reconhece. O gap entre o que a intuição acredita detectar e o que realmente existe é onde a maioria das grandes perdas acontece.

Limitações do framework e quando ele falha

Vou ser direto sobre isso porque ninguém mais fala. O framework que descrevi acima tem limitações sérias. Primeiro, ele depende inteiramente da qualidade do registro individual. Se você não anota decisões, classificações e resultados de forma consistente, o sistema gera mais ruído do que sinal. No meu experience, cerca de 60% dos profissionais que tentam adotar o método abandonam após quatro meses porque o hábito de registro não se consolida. Segundo, o framework é intrinsicamente backward-looking. Ele identifica padrões após o fato, não antes. Isso significa que em regimes de mercado novos — como o que vimos em 2022-2023 com a virada monetária global — o sistema pode passar semanas ou meses gerando classificações contraditórias enquanto o regime ainda não se estabiliza. Nesse período, a taxa de erro de classificação dispara para 35-40%, o que é significativamente acima da média de longo prazo de 12-15%. Terceiro, e mais importante: o framework não funciona bem para ativos com baixa liquidez ou mercados emergentes onde a informação assimétrica é estruturalmente maior. Nesses cenários, a distinção entre "destino operacional" e "sorte idiossincrática" é praticamente impossível de manter com precisão, porque o próprio conceito de informação disponível é ambíguo. A sugestão aqui é simples: se você opera emergentes ou ativos illiquid, use o framework apenas como check qualitativo, não quantitativo.

Alternativas e complementos úteis

Se o framework não se adequa ao seu perfil, existem abordagens complementares que vale a pena considerar. A mais relevante é o uso de modelos ensemble — combinar predições de múltiplos modelos (tree-based, linear, neural) e observar em quais casos eles concordam. Quando todos os modelos preveem a mesma direção, a probabilidade de ser "destino estrutural" sobe para algo em torno de 68-72%. Quando os modelos divergem, é mais provável que estejamos num terreno de "sorte ou ruído". Uma segunda alternativa é o uso de simulated annealing para explorar o espaço de parâmetros do seu modelo. Isso ajuda a identificar regimes onde pequenas mudanças nos inputs geram grandes mudanças nos outputs — sinal clássico de instabilidade causal que geralmente indica presença de fatores estocásticos dominantes. Uma terceira opção, mais prática e menos técnica, é o diary trading com tagging obrigatório. Todo trade deve ser classificado antes da execução como "destino provável" (probabilidade estimada > 60%), "fortuna possível" (probabilidade 40-60%) ou "loteria" (probabilidade

40%). A revisão posterior mostra, consistentemente, que traders subestimam a probabilidade real de seus trades em média em 18 pontos percentuais. Esse gap em si é um dado valioso.

O que eu aprendi após cinco anos aplicando isso na prática

A conclusão que chego, e que compartilho com todos os alunos que trabalham comigo pessoalmente, é que a distinção entre destino e sorte nunca será perfeita. O melhor que você pode fazer é construir um sistema que minimize o custo dos erros de classificação. Cada vez que você confunde sorte com destino, você superestima sua habilidade e aumenta exposição futura de forma injustificada. Cada vez que confunde destino com sorte, você subestima uma oportunidade real e deixa dinheiro na mesa. O custo do primeiro erro é tipicamente cinco vezes maior do que o do segundo. Por isso, na minha prática, eu prefiro ser sistematicamente otimista na classificação causal do que pessimista. Isso significa que, em casos limítrofes onde a evidência é ambígua, eu tendo a classificar como "potencialmente estrutural". O trade-off é que às vezes eu fico exposto a movimentos que deveriam ser descartados, mas o benefício de não perder tendências reais que surgem raramente supera o prejuízo pontual das classificações erradas. Isso não é uma recomendação de investimento. É uma descrição de como eu opero e do que funcionou para mim. O que funciona para você pode ser diferente, especialmente se seu horizonte temporal, tolerância a risco e universo de ativos forem distintos dos meus. O framework em si — classificação causal, separação temporal, iteração registral — é transferível. A aplicação específica depende do contexto individual.