Bastidores
Cada imagem nesta secção representa momentos reais de trabalho: curvas que finalmente fazem sentido, discussões técnicas exigentes e o cuidado diário com a qualidade de dados que partilhamos.
Como mantenho o sistema alinhado com a realidade
Ao falar sobre a Teriosvandra, não descrevo apenas uma plataforma de dados, mas um compromisso contínuo com a coerência narrativa das séries temporais que sustentam o seu trabalho.
Se chegou até aqui, é porque partilha comigo a inquietação de trabalhar com dados que não contam sempre a mesma história.
Também faço questão de lembrar, em cada conversa, que nenhum sistema técnico substitui a necessidade de revisão periódica. Por mais estável que pareça uma série temporal, os mercados mudam, os fornecedores ajustam metodologias e os próprios objetivos internos de análise evoluem. É por isso que proponho ciclos regulares de reavaliação das regras de fusão e calibração, com foco especial em segmentos menos líquidos e instrumentos mais complexos. Estes ciclos são momentos privilegiados para cruzar a experiência diária da sua equipa com os registos detalhados que o sistema mantém, fechando o círculo entre prática e desenho técnico.
Foi nessas noites que percebi que a verdadeira dor não estava apenas nos erros pontuais, mas na ausência de um método comum para os tratar. Na Teriosvandra, respondo a essa lacuna com um conjunto de práticas que cruzam engenharia de dados, estatística aplicada e bom senso operacional. Em vez de um único modelo monolítico, utilizo uma combinação de regras e modelos que podem ser ajustados por segmento de mercado, tipo de instrumento e janela temporal. Esta flexibilidade controlada permite adaptar o sistema à realidade de cada instituição, sem cair na tentação de reinventar tudo sempre que entra um novo fornecedor ou surge uma nova classe de instrumentos relacionados.
Outra lição importante veio das equipas de auditoria e de controlo interno. Ouvi delas que o maior receio em relação à IA não é a complexidade técnica, mas a dificuldade em reconstruir decisões meses depois. Por isso, cada componente que desenho para fusão de preços multi fonte inclui registos detalhados de contexto: quais as fontes avaliadas, quais os critérios que levaram à escolha final, que alertas foram emitidos e como foram resolvidos. Esta documentação viva não é um anexo burocrático; é a base que permite a um auditor, interno ou externo, seguir o rasto de cada preço numa série temporal usada em análises de fixed income ou derivados.
Sei que a pressão por prazos curtos pode levar a atalhos perigosos, como ajustes manuais não documentados ou regras temporárias que se tornam permanentes sem revisão. A minha função, na Teriosvandra, é precisamente proteger a sua equipa desse tipo de erosão silenciosa. Sempre que proponho uma alteração à forma como os dados são integrados ou calibrados, faço questão de a enquadrar num ciclo formal de teste, validação e aprovação. Assim, quando chegar o próximo momento de tensão — um pico de volatilidade, uma alteração de fornecedor, uma revisão de modelo interno — a base de dados de preços estará menos exposta a decisões apressadas e mais apoiada em processos que já foram discutidos e registados com antecedência.
Sobre mim e sobre a Teriosvandra
Porque insisto em séries temporais coerentes
A filosofia por detrás da Teriosvandra
A filosofia por detrás da Teriosvandra
Ao longo do tempo, fui percebendo que trabalhar com dados de preços multi fornecedor é menos sobre algoritmos e mais sobre responsabilidade. Cada escolha de fonte, cada regra de calibração e cada exceção registada tem impacto direto em análises de fixed income e derivados que sustentam decisões sensíveis. Na Teriosvandra, a minha filosofia é simples e exigente: usar IA como ferramenta para tornar o sistema mais transparente, não mais opaco; proteger a equipa de surpresas evitáveis; e tratar a coerência das séries temporais como um bem comum a preservar diariamente.
Vejo a fusão de dados de preços como um trabalho quase editorial: cada fonte é uma voz, e o meu papel é organizar esse coro de forma a produzir uma narrativa coerente para obrigações e derivados, sem silenciar divergências importantes.
Sempre que desenho uma nova regra de calibração, pergunto‑me como a explicaria a um auditor cético daqui a dois anos; se não encontrar uma resposta simples e honesta, a regra não está pronta para entrar em produção.
Recuso a ideia de que mais complexidade técnica é sinónimo de maior sofisticação; muitas vezes, a verdadeira maturidade está em simplificar o que pode ser simples e reservar os modelos avançados para os casos em que acrescentam clareza, não apenas brilho.
Trabalho com a convicção de que cada exceção manual não documentada é uma dívida futura para a sua equipa, por isso insisto em processos que registam não só o que o sistema faz, mas também as intervenções humanas que o ajustam.
Quando uma equipa me diz que finalmente consegue explicar internamente porque um preço mudou, vejo isso como o melhor indicador de que estamos no caminho certo, mais do que qualquer métrica de performance algorítmica isolada.
Acima de tudo, lembro‑me de que por detrás de cada série temporal há decisões reais, equipas sob pressão e responsabilidades significativas, e é por isso que coloco a proteção do utilizador à frente de qualquer ambição tecnológica.
Compreender o contexto
Antes de automatizar, procuro compreender em detalhe o contexto operacional, regulatório e humano em que as séries de preços serão usadas, para que a solução respeite as restrições reais do dia a dia.
Rastrear cada passo
Desenho processos em que cada decisão algorítmica deixa rasto, permitindo que utilizadores técnicos e não técnicos reconstrua o caminho de cada preço com base em registos claros.
Rever de forma contínua
Mantenho ciclos regulares de revisão com as equipas, cruzando métricas objetivas com perceções práticas, para ajustar regras de fusão e calibração sem perder consistência histórica.
Proteger a confiança
Dou prioridade à segurança operacional e à robustez a longo prazo em detrimento de ganhos rápidos, sabendo que a confiança nas séries temporais é construída em anos e pode perder‑se num único incidente.
Explicar com clareza
Procuro sempre que os modelos de IA permaneçam explicáveis, com parâmetros e decisões que possam ser discutidos abertamente entre equipas de risco, auditoria e tecnologia.
Porque insisto em processos explicáveis
Ao revisitar as conversas que já tivemos sobre dados de preços, volto sempre à mesma inquietação: como criar séries temporais que resistam ao escrutínio técnico, regulatório e interno, sem transformar a equipa numa gestora permanente de exceções manuais.
Se está a ler esta página, é porque já partilhámos discussões exigentes sobre spreads que não fecham, curvas desalinhadas e relatórios que parecem mudar de narrativa de um dia para o outro.
Como cheguei a este método de fusão de dados
Provavelmente já passámos por isto juntos: uma reconciliação de preços que se arrasta noite dentro, curvas que não fecham e relatórios de risco que ninguém quer assinar. Nesta página conto como, na Teriosvandra, transformo esse cenário recorrente num processo de fusão de dados mais disciplinado, usando IA como instrumento técnico e não como desculpa para opacidade, sempre com foco em fixed income e derivados.
Quem sou
Sei que já viu muitas promessas de automatização total e soluções milagrosas para dados de mercado; eu próprio fiquei cético depois de observar projetos que complicaram ainda mais a vida de quem precisava apenas de séries temporais fiáveis. Na Teriosvandra, decidi seguir outro caminho: aproximar engenharia de dados, conhecimento de mercado e prudência operacional, sempre com a humildade de quem sabe que cada desk tem a sua própria realidade.
