Nem tudo que é negociado em bolsa é líquido
Quando comecei a trabalhar com sistemas de negociação algorítmica, nos idos de 2016, um dos primeiros aprendizados que levei para a vida foi uma desconfiança saudável em relação à liquidez indicada nos prospectos. ETFs sempre foram celebrados como a porta de entrada para a diversificação com custos reduzidos — e com razão. Mas o mercado mudou, e mudou rápido. Nos Estados Unidos, segundo dados compilados por Vinicius Abrantes no portal ConJur, mais de 15 trilhões de dólares estavam alocados em 5.590 fundos ao fim de julho de 2026. O Brasil caminha para 204 ETFs listados. O volume impressiona, mas a pergunta que me faço como profissional de infraestrutura e arquitetura de sistemas é outra: a tecnologia que sustenta esses fundos — incluindo os que usam inteligência artificial para seleção de ativos — está preparada para os riscos que não aparecem no folheto informativo?
A inovação financeira sempre correu na frente da regulação e, mais ainda, da maturidade operacional. ETFs de índices tradicionais são razoavelmente previsíveis. Mas quando entramos no terreno dos ETFs que replicam ativos pouco usuais — criptomoedas, contratos futuros de volatilidade, estratégias sintéticas com alavancagem embutida, ou mesmo carteiras gerenciadas por modelos de aprendizado de máquina —, o perfil de risco muda de forma qualitativa, não apenas quantitativa. Não estou falando de risco de mercado. Estou falando de risco de infraestrutura, risco de liquidez real versus teórica e risco de governança algorítmica.
A falsa simetria entre índice e ETF
O investidor médio costuma tratar um ETF como se fosse o próprio índice. Se o Ibovespa sobe 1%, o ETF que o replica deveria subir 1%. Na prática, isso raramente é verdade para ETFs de alta complexidade. E o problema não é o tracking error histórico — esse é conhecido —, mas o tracking error em condições de estresse. Em 2020, durante o crash da pandemia, diversos ETFs de títulos públicos americanos chegaram a negociar com descontos superiores a 5% em relação ao valor patrimonial. O motivo? A infraestrutura de formação de mercado simplesmente não conseguiu acompanhar o volume de ordens.
Em arquitetura de sistemas, chamamos isso de degradação graciosa — ou, neste caso, de falta dela. O mercado de ETFs depende de um pequeno grupo de formadores de mercado (market makers) que operam com sistemas de alta frequência. Esses sistemas, por sua vez, dependem de conectividade de rede, latência previsível e fontes de dados confiáveis. Se um desses elos falha — um provedor de preços tem um bug, um feed de dados de negociação atrasa, um algoritmo de hedge entra em loop —, o ETF continua sendo negociado, mas o preço se descola do valor justo. Para quem está comprando ou vendendo naquele momento, o prejuízo pode ser grande, e a recuperação, lenta.
O que me preocupa, como engenheiro, é que os novos ETFs — aqueles com ativos sintéticos ou com seleção algorítmica — adicionam camadas extras de complexidade. Em vez de um índice que pode ser calculado com regras claras, temos carteiras cuja composição muda a cada minuto com base em saídas de modelos de IA. Isso torna o tracking error não apenas maior, mas imprevisível. Não existe histórico estatístico suficiente para modelar o comportamento desses fundos em cenários de pânico.
Inteligência artificial como gestora: um erro de camada
Do ponto de vista de design de software, usar inteligência artificial para gerenciar a composição de um ETF é perfeitamente possível. A pergunta relevante é: quem audita o modelo? Na minha experiência com sistemas de decisão automatizada — tanto em produtos digitais quanto em infraestrutura de segurança —, o maior erro que as empresas cometem é tratar o modelo como uma caixa-preta e confiar na sua saída sem validação independente. Um ETF gerido por IA pode, em teoria, otimizar a relação risco-retorno com base em correlações não lineares que nenhum gestor humano enxergaria. Mas ele também pode, em teoria, otimizar baseado em correlações espúrias que desaparecem no dia seguinte.
A literatura de finanças comportamentais já mostrou que a diversificação ingênua — colocar dinheiro em ativos que historicamente não andaram juntos — falha exatamente quando a correlação aumenta durante crises. O problema é que um modelo de IA treinado com dados de 2014 a 2023 pode não ter aprendido a reconhecer um evento de cisne negro, porque os dados disponíveis não continham um. E, ao contrário de um gestor humano que pode aplicar heurísticas de proteção em momentos de volatilidade extrema, o modelo segue executando a lógica que lhe foi ensinada — até que alguém desligue o algoritmo. Mas quem desliga? Com que autoridade? E com que latência?
A infraestrutura invisível: liquidez, lastro e o gargalo real
Outro ponto que raramente aparece nas análises de risco de ETFs é a engenharia de lastro. ETFs sintéticos, que usam swaps e derivativos em vez de comprar os ativos subjacentes, dependem de contrapartes financeiras. Se a contraparte quebra — e já vimos isso acontecer com Lehman Brothers, Credit Suisse e tantas outras —, o ETF perde o lastro. O investidor fica com uma cota que representa um contrato financeiro que não pode ser honrado. O risco de crédito, nesse caso, é real, mas não está precificado na taxa de administração.
Quando trabalho com clientes que estão desenhando plataformas de investimento digital, sempre recomendo que incluam nos relatórios de risco um indicador de "qualidade do lastro": qual porcentagem do ETF está efetivamente lastreada em ativos físicos, qual está em derivativos e qual está em garantias. É um dado que os provedores de dados financeiros nem sempre disponibilizam de forma estruturada, mas que pode ser extraído dos prospectos com algum trabalho de engenharia. Quem não fizer esse dever de casa está voando cego — e, em mercados de stress, voando direto para a parede.
No Brasil, o volume de ETFs ainda é pequeno em comparação com os Estados Unidos, mas o crescimento é rápido. E com o crescimento acelerado, vejo um padrão que se repete em tecnologia: a infraestrutura operacional cresce na base da gambiarra, e não do design intencional. Corretoras que não têm sistemas de precificação em tempo real para ativos sintéticos, formadores de mercado com capacidade limitada de capital e regulação que olha para o produto, mas não para a esteira tecnológica que o sustenta. É um terreno fértil para disrupção — e não no bom sentido.
Regulação defasada: o atraso que custa caro
A discussão sobre ETFs não é nova, mas ganha contornos específicos no mundo dos ativos digitais. Os ETFs de Bitcoin aprovados nos Estados Unidos em 2024 abriram as portas para uma enxurrada de produtos similares. O problema é que a regulação desses fundos foi desenhada para ações e títulos, não para ativos que negociam 24 horas por dia, 7 dias por semana, em bolsas descentralizadas com liquidez fragmentada. Um ETF de Bitcoin listado na bolsa americana negocia das 9h30 às 16h00, horário de Nova York. O Bitcoin, no entanto, não dorme. O descompasso entre o horário de negociação do ETF e o mercado à vista do ativo subjacente cria uma janela de risco que já causou distorções de preço relevantes.
Em 2025, vimos situações em que o ETF de Bitcoin americano abriu com gap de mais de 3% em relação ao último preço do Bitcoin à vista, porque o ativo subjacente havia se movimentado significativamente durante a madrugada. Para o investidor de varejo, isso não é tracking error técnico — é perda real. E para o engenheiro que projeta sistemas de negociação, é uma restrição de domínio que precisa ser tratada com regras de limite de exposição e ordens stop-loss posicionadas adequadamente. A regulação, no entanto, ainda não obriga que esses riscos sejam comunicados de forma proeminente. Eles estão enterrados em notas de rodapé de prospectos de centenas de páginas.
Riscos operacionais que todo engenheiro deveria conhecer
Se você trabalha com tecnologia no mercado financeiro — ou está pensando em construir produtos para investidores —, alguns riscos operacionais são particularmente relevantes no contexto dos novos ETFs. O primeiro é o risco de dados: ETFs que usam IA dependem de fontes de dados externas. Se um provedor de preços altera sua metodologia, ou se a latência de um feed aumenta, o modelo pode tomar decisões subótimas. Isso não é teoria — aconteceu com fundos quantitativos em 2007, 2012 e 2020.
O segundo risco é o de atomicidade: em sistemas distribuídos, garantimos que uma transação seja atômica, consistente, isolada e durável (ACID). Em mercados financeiros, a atomicidade entre a compra da cota do ETF e a composição real da carteira subjacente nem sempre existe. Quando o mercado está calmo, a arbitragem dos formadores de mercado mantém tudo alinhado. Quando o mercado entra em estresse, essa arbitragem desaparece e o preço do ETF segue seu próprio caminho.
O terceiro risco, mais sutil, é o de governança de modelo. Quem decide quando um modelo de IA que gere um ETF precisa ser retreinado? Quem valida que os dados de treino não estão contaminados por viés de sobrevivência? Na engenharia de software, temos práticas estabelecidas de CI/CD e testes unitários para garantir a qualidade do código. Para modelos de IA que movimentam bilhões de dólares, a qualidade do código importa, mas a qualidade da decisão importa mais — e não existe framework de testes amplamente aceito para validar decisões financeiras automatizadas.
O que muda para quem constrói produtos digitais
Para profissionais de tecnologia que estão desenhando plataformas de investimento, dashboards de risco ou sistemas de recomendação de alocação, a mensagem central é: não confie no nome do produto. Um ETF não é um commodity indiferenciado. Cada fundo tem sua própria engenharia de lastro, sua própria infraestrutura de precificação e sua própria exposição a riscos operacionais que não estão nos indicadores tradicionais.
Na prática, isso significa que você precisa enriquecer os dados de portfólio que sua plataforma exibe: incluir indicadores de qualidade de lastro, tracking error sob estresse (não apenas o tracking error histórico médio), e alertas de descolamento entre preço de mercado e valor patrimonial. Também significa que, se sua plataforma usa inteligência artificial para sugerir alocações, você precisa garantir que o modelo entenda as limitações de liquidez real dos ETFs que está recomendando — ou estará empurrando o usuário para dentro de uma armadilha de risco que o modelo não enxerga.
Não estou dizendo que ETFs novos — incluindo os que usam IA — são ruins. Estou dizendo que são complexos, e que a complexidade não está sendo precificada nem comunicada adequadamente. Cabe à engenharia de produto preencher essa lacuna. O mercado financeiro sempre foi um dos setores que mais consome tecnologia de ponta, mas também um dos que mais demora a adotar boas práticas de transparência operacional. Para quem trabalha com infraestrutura, segurança e dados, isso não é um problema — é uma oportunidade.
No final das contas, ETF continua sendo um instrumento fantástico para diversificação, desde que você saiba exatamente o que está comprando. E, como em qualquer sistema distribuído, a resiliência não está no componente individual — está na arquitetura como um todo. Quem ignorar os riscos de infraestrutura, lastro e governança algorítmica dos novos ETFs está, no fundo, terceirizando a confiança para sistemas que ainda não foram testados em condições reais de estresse. Na engenharia, isso tem nome: débito técnico. No mercado financeiro, pode custar muito mais caro.
Segundo o portal ConJur, a discussão regulatória sobre ETFs inovadores está apenas começando. Como profissionais de tecnologia, temos a responsabilidade de não esperar a regulação para agir — porque, quando ela chegar, o estrago pode já ter sido feito. Construir sistemas que exponham riscos de forma clara, auditem modelos de IA e garantam que o investidor saiba exatamente onde está pisando não é apenas boa prática de engenharia. É a diferença entre um produto que vende sonhos e um que entrega valor real.