Pablo Zavala · Avaliação de segurança de IA · Engenharia de pesquisa

Admissibilidade Temporal: Decisões Auditáveis por Construção

Um manuscrito formal de finanças transforma o tempo em um contrato, de modo que cada decisão lê apenas dados publicados antes dela, o viés de antecipação (look-ahead bias) desaparece por construção, e cada política se torna um artefato determinístico e auditável, com uma ponte conceitual para decisões de IA verificáveis.

fevereiro 15, 2026 · 8 min

Um backtest é uma promessa sobre o passado. A promessa só se sustenta quando cada decisão histórica usou exclusivamente a informação disponível naquele momento histórico. No momento em que um único componente espia um preço, um registro regulatório ou uma manchete publicada depois da decisão que ela informa, o viés de antecipação (look-ahead bias) contamina o registro, e qualquer desempenho medido se torna suspeito. Meu manuscrito *Temporally Admissible Belief-to-Policy Compilation* (fevereiro de 2026) ataca essa falha em sua raiz ao transformar o tempo em um contrato formal, e não em uma convenção de codificação.

Uma ressalva vem primeiro. O manuscrito é teoria pura. Ao longo de vinte e nove páginas, ele deriva cada passo matemático por completo, mas reporta zero experimentos, zero conjuntos de dados e zero simulações. Leia o que segue como uma arquitetura com suas provas, mantida separada de qualquer resultado empírico.

A Admissibilidade Temporal Transforma o Tempo em um Contrato

A admissibilidade temporal, o invariante central do manuscrito, estabelece que cada componente do pipeline de decisão lê apenas dados cujo carimbo de tempo de publicação precede ou é igual ao momento da decisão. A construção parte de um modelo de dados bitemporal, no qual cada registro carrega dois carimbos de tempo: um *tempo de conhecimento*, que marca quando o evento subjacente ocorreu, e um *tempo de publicação*, que marca quando o registro chegou ao sistema. As decisões se orientam pelo tempo de publicação, porque um fato que já ocorreu mas permanece não publicado fica fora do alcance legítimo.

Um operador que o artigo escreve como AS_OF(t) impõe a regra ao restringir qualquer consulta de dados a registros publicados em ou antes do momento *t*. Esses registros admissíveis geram uma família crescente de conjuntos de informação, uma *filtração* no sentido da teoria da medida, ou seja, uma sequência encaixada de σ-álgebras que cresce à medida que o tempo avança. A partir dessa construção, o artigo demonstra seu resultado âncora: sempre que cada função de acesso a dados respeita a guarda AS_OF e os módulos posteriores consomem apenas saídas guardadas, a política emitida se torna mensurável em relação ao conjunto de informação do momento da decisão. A garantia vale de forma determinística, para todo resultado, e não apenas com probabilidade um (quase certamente).

O ganho é a auditabilidade por construção. Cada decisão se torna um artefato determinístico da informação disponível no momento em que o sistema a tomou, de modo que um revisor pode reproduzir os dados arquivados e reconstruir a decisão idêntica. A verificação por reprodução ganha significado lógico, e a contaminação de backtest contra a qual White (2000) e López de Prado (2018) alertam perde seu ponto de apoio.

Preços de Opções Codificam uma Priori de Mercado

O pipeline constrói duas crenças sobre o futuro e estuda o desacordo entre elas. A primeira crença, a *priori implícita de mercado*, vem diretamente dos preços de opções negociadas por meio da identidade de Breeden-Litzenberger (Breeden and Litzenberger, 1978).

Considere uma opção de compra europeia, um contrato que paga a quantia pela qual o preço de um ativo excede um strike fixo no vencimento. A identidade estabelece que a segunda derivada do preço da opção de compra em relação ao strike, escalada por um fator de capitalização (o recíproco do fator de desconto), é igual à densidade de probabilidade neutra ao risco sobre os preços futuros do ativo, ou seja, a distribuição que o mercado precifica implicitamente para onde o ativo vai pousar. A curvatura na curva de preço versus strike, em termos simples, codifica o que o mercado acredita.

Mercados reais cotam preços em um número finito de strikes, então o artigo aproxima essa segunda derivada com uma diferença finita em uma grade de espaçamento irregular, e enfrenta uma tensão honesta. Uma grade grosseira controla o ruído de amostragem enquanto borra o detalhe, ao passo que uma grade fina aguça o detalhe enquanto amplifica o ruído de microestrutura, de modo que a variância da estimativa cresce como a quarta potência do inverso do espaçamento da grade. Uma projeção de forma convexa resolve o conflito, forçando os preços recuperados a obedecer a uma curvatura livre de arbitragem enquanto amortece o ruído de alta frequência, de modo que a priori extraída permanece uma distribuição de probabilidade válida.

Uma Posteriori de Tese Vive em um Simplex

A segunda crença, a *posteriori de tese*, codifica a visão própria do agente, montada a partir de indicadores macroeconômicos, evidência textual e sinais de grafo de conhecimento. Toda visão desse tipo precisa permanecer uma distribuição de probabilidade válida, então o artigo a coloca sobre o *simplex* de probabilidade, o conjunto de pesos entre compartimentos de resultado que permanecem em zero ou acima e somam um, usando uma versão concreta de três compartimentos para os resultados baixa, estável e alta.

As atualizações de crença chegam como *operadores multiplicativos de inclinação*, que reponderam cada compartimento por um fator estritamente positivo e renormalizam. O artigo prova que tais operadores mantêm qualquer distribuição sobre o simplex e permanecem localmente Lipschitz, uma propriedade de suavidade que significa que uma mudança limitada na entrada produz uma mudança limitada na saída, o que limita a força com que os gradientes reagem durante o treinamento.

A calibração ganha uma âncora rigorosa por meio da *regra de pontuação logarítmica*, que recompensa uma previsão pela log-probabilidade que ela atribuiu ao resultado realizado. O artigo mostra que a regra é estritamente própria, já que o relato honesto maximiza de forma única a pontuação esperada, e que a distância entre um relato honesto e qualquer outro é igual à divergência de Kullback-Leibler, a distância teórico-informacional de uma distribuição a outra. O relato honesto de probabilidade e a minimização de divergência se tornam o mesmo objetivo.

A Geometria da Divergência Mede o Desacordo

O desacordo entre a priori de mercado e a posteriori de tese impulsiona cada decisão posterior, então o artigo o mede com uma divergência composta construída a partir de três partes complementares.

Um termo de Kullback-Leibler captura a má calibração interior, ou seja, razões de verossimilhança desencontradas entre compartimentos. Um termo de desacordo de cauda compara a massa de probabilidade que cada distribuição atribui a seus resultados extremos, revelando divergência nas caudas que os compartimentos interiores esconderiam. Um termo de desencontro de dependência, construído a partir da distância de Frobenius entre matrizes de correlação, capta co-movimentos divergentes entre ativos que qualquer comparação de um único ativo deixaria passar. Combinar os três impede que um único modo de falha domine o sinal, e cada termo permanece diferenciável o suficiente para alimentar o maquinário de treinamento a jusante. Separadamente, o artigo desenvolve uma distância de Wasserstein-1 sobre compartimentos de resultado ordenados, extraída do transporte ótimo (Villani, 2009), que mede o plano mais barato para mover massa de probabilidade de uma distribuição a outra e se reduz a uma forma fechada que soma as diferenças entre distribuições cumulativas.

Um Compilador Convexo Transforma Crença em Política

Um compilador converte esse sinal de desacordo em uma carteira por meio de uma projeção convexa. O compilador busca pesos próximos de um alvo bruto enquanto paga uma penalidade de custo de transação pelo giro, sujeito a restrições lineares: um orçamento de capital, limites de posição, tetos de giro e alavancagem, limites setoriais e regras de governança.

Como o objetivo permanece estritamente convexo e a região viável forma um poliedro, o artigo prova que existe uma solução global única sempre que as restrições admitem algum ponto viável. As condições de Karush-Kuhn-Tucker, o certificado padrão de otimalidade para um problema convexo restrito, então fornecem mais do que uma solução. Cada restrição ganha uma variável dual, um *preço-sombra* que se lê como o custo marginal de apertar aquele limite. Um preço-sombra grande sinaliza uma restrição que molda materialmente a alocação, de modo que um analista pode investigar quais limites, seja capital, giro, um teto setorial ou uma regra de governança, restringem a decisão. O compilador assim produz uma política junto com um relato legível de por que a política tomou a forma que tomou.

A Robustez Entra por Meio da Ambiguidade de Wasserstein

Estimativas pontuais de retorno esperado permanecem incertas, então o artigo blinda o compilador contra erro distribucional. Em vez de confiar em uma única estimativa, ele otimiza contra a pior distribuição dentro de um *conjunto de ambiguidade de Wasserstein*, uma bola de distribuições dentro de um raio de transporte escolhido em torno dos dados empíricos.

A dualidade de Kantorovich torna o pior caso tratável, convertendo uma otimização sobre infinitas distribuições em um problema unidimensional mais um termo por ponto de dado. Aplicada a objetivos de média-variância, a versão robusta se reduz a quantidades familiares mais penalidades explícitas que crescem com o raio de ambiguidade, de modo que a cautela distribucional surge como inflação de variância e encolhimento de retorno interpretáveis, e não como um ajuste oculto de parâmetro. O Valor em Risco Condicional (Rockafellar and Uryasev, 2000), a perda esperada na pior fração de cauda dos resultados, é uma medida de risco convexa bem conhecida que se encaixa no mesmo molde, e o manuscrito a nomeia como uma medida de risco compatível, sem desenvolver a extensão.

Duas extensões adicionais completam a arquitetura preservando suas garantias. Uma camada bilevel de *aprendizado focado em decisão* treina o modelo de crença pela qualidade das decisões que ele produz, diferenciando através do próprio otimizador via o teorema da função implícita. Uma cabeça de adaptação por aprendizado por reforço, analisada como uma aproximação estocástica de duas escalas temporais com condições de convergência de Robbins-Monro, se ajusta online. Independentemente do que qualquer uma das camadas propõe, a projeção convexa roda por último, de modo que toda carteira emitida cai dentro do conjunto viável por construção.

A Auditabilidade por Construção se Transfere para Além das Finanças

Retire as finanças, e resta uma ideia transferível: um pipeline de decisão pode carregar sua própria garantia de auditoria em sua estrutura, em vez de acoplar uma depois. A admissibilidade temporal torna a proveniência uma precondição, já que cada artefato depende apenas de entradas que um revisor pode enumerar e reacessar, e a compilação convexa torna a etapa final inspecionável, já que cada restrição ativa se anuncia por meio de um preço-sombra.

Essa postura rima com um tema em todo o meu outro trabalho: decisões automatizadas de alto risco merecem registros inspecionáveis, não afirmações fluentes. Meu protótipo Tribunal persegue a mesma disciplina para decisões de IA, registrando propostas, objeções, vetos e dissenso em um livro-razão encadeado por hash, de modo que um revisor pode reproduzir como uma resposta sobreviveu ao questionamento. Um sistema restringe quais informações uma decisão pode tocar; o outro restringe como uma decisão é registrada. Ambos trocam uma caixa-preta confiante por um artefato que um cético pode reconstruir.

A conexão permanece conceitual. Meu manuscrito prova propriedades sobre uma arquitetura financeira, e a relevância para segurança viaja como uma analogia, auditabilidade projetada para dentro do pipeline, e não como um resultado demonstrado sobre supervisão de IA. Mesmo como analogia, a lição de design chega com clareza: construa a auditoria dentro do mecanismo, e cada saída chega já revisável.

Limites

**Manuscrito formal.** O documento é um artigo teórico de vinte e nove páginas com definições, proposições, teoremas e derivações completas, exigindo referências externas apenas para teoremas fundamentais de existência.
**Derivações completas, zero empirismo.** Cada passo matemático aparece no texto, mas zero experimentos, conjuntos de dados, simulações ou resultados reportados os acompanham; cada propriedade relacionada a desempenho permanece um teorema sobre a arquitetura, mantido separado de qualquer resultado medido.
**Domínio de finanças.** Os resultados dizem respeito especificamente a sistemas de decisão financeira, cobrindo densidades implícitas de opções, restrições de carteira e conjuntos de ambiguidade de mercado, de modo que a transferência para outros domínios permanece não testada.
**Menções de implementação descrevem design, mantidas à parte de experimentos.** Referências de passagem a um "sistema implementado" (por exemplo, a posteriori de três compartimentos baixa/estável/alta) registram escolhas de design; o manuscrito reporta zero execuções, métricas ou avaliações de tal sistema.
**A relevância para supervisão de IA é uma transferência conceitual.** A ponte para decisões de IA auditáveis repousa sobre uma postura de design compartilhada, auditabilidade por construção, e não sobre um resultado de segurança, um benchmark ou uma alegação sobre supervisão em produção.

Fontes

Meu manuscrito (PDF): Temporally Admissible Belief-to-Policy Compilation, uma arquitetura restrita por filtração, orientada por divergência e projetada convexamente para sistemas de decisão financeira auditáveis, manuscrito de pesquisa, fevereiro de 2026.
Breeden and Litzenberger, "Prices of State-Contingent Claims Implicit in Option Prices," *Journal of Business*, 51(4):621-651, 1978.
Villani, *Optimal Transport: Old and New*, Springer, 2009.
Rockafellar and Uryasev, "Optimization of Conditional Value-at-Risk," *Journal of Risk*, 2(3):21-41, 2000.
Mohajerin Esfahani and Kuhn, "Data-driven distributionally robust optimization using the Wasserstein metric," *Mathematical Programming*, 2018; Blanchet, Chen, and Zhou, "Distributionally Robust Mean-Variance Portfolio Selection with Wasserstein Distances," *Management Science*, 2022.
White, "A Reality Check for Data Snooping," *Econometrica*, 2000; López de Prado, *Advances in Financial Machine Learning*, Wiley, 2018 (sobre contaminação de backtest).
Meu ensaio Tribunal: Quando as Decisões de IA Precisam de um Livro-Razão.