Psicologia do trading depois de um stop: o que muda no cérebro

Tem um erro que não começa na sua análise. Começa antes, no olho.

Depois de uma perda, você continua olhando o mesmo gráfico, o mesmo ativo, os mesmos preços. Mas isso não significa que seu cérebro esteja lendo aquelas informações do mesmo jeito. Esse é um ponto central da psicologia do trading: depois de uma perda, a forma como você lê a próxima decisão pode mudar sem você perceber.

Um estudo publicado em setembro de 2026 na Nature Neuroscience encontrou uma coisa incômoda: quando você deixa de ter certeza sobre qual informação deve orientar uma decisão, informações que deveriam ser ignoradas começam a interferir naquilo que realmente importa. Leia o estudo original.

E isso acontece muito cedo, ainda no processamento da informação, antes de você começar a construir uma explicação para o que está vendo.

Foi para entender esse mecanismo que os pesquisadores montaram o experimento.

O experimento

O experimento foi feito com humanos e macacos.

Como não dá para colocar eletrodos no cérebro de uma pessoa saudável só para um experimento, eles plugaram vários eletrodos em regiões do cérebro dos macacos relacionadas ao processamento de imagens. Os testes foram adaptados para gerar a mesma resposta comportamental observada nos humanos.

Os participantes viam uma imagem com listras e, em seguida, a mesma figura aparecia com pequenas alterações. Eles tinham que acertar o que mudou em cada rodada.

Podia mudar a inclinação das listras, a distância entre elas ou as duas coisas. Eram mudanças pequenas; sem atenção, a pessoa podia errar.

A imagem era basicamente um círculo com listras, um estímulo visual chamado Gabor, aproximadamente como na imagem abaixo.

Entre a primeira imagem e a segunda, duas coisas podiam mudar:

1. Orientação das listras — elas podiam girar um pouquinho para um lado ou para o outro.
2. Frequência espacial — as listras podiam ficar um pouco mais juntas ou um pouco mais afastadas.

Imagem 1 — exemplo hipotético:

Listras inclinadas assim / / / / /, com determinado espaçamento.

Depois aparecia:

Imagem 2:

As listras ficavam um pouquinho mais inclinadas para a direita e, ao mesmo tempo, um pouquinho mais juntas.

Portanto, fisicamente aconteceram duas mudanças verdadeiras:

• girou para a direita;
• as listras ficaram mais juntas.

A pessoa tinha quatro respostas possíveis, equivalentes a:

• orientação girou para um lado;
• orientação girou para o outro;
• frequência aumentou — listras mais juntas;
• frequência diminuiu — listras mais afastadas.

Agora vem o pulo do gato.

Naquela rodada, só UMA das duas características estava valendo para receber recompensa.

Suponha que, numa rodada, tanto a inclinação quanto a distância tivessem mudado, mas o critério de recompensa fosse a inclinação. A pessoa precisava responder, por exemplo: “inclinação para a esquerda”. Se respondesse sobre a distância, errava.

A pegadinha: os cientistas não falavam qual regra estava valendo na rodada e, ainda por cima, iam mudando essa regra durante as jogadas. A pessoa descobria pelos acertos e erros.

Então, no nosso exemplo, a resposta correta seria:

“Girou para a direita.”

Mesmo que ela percebesse perfeitamente que as listras também ficaram mais juntas, escolher “listras mais juntas” seria considerado erro, porque, naquele momento, frequência espacial não era a informação relevante para a tarefa.

Depois de responder, ela recebia apenas:

✓ acertou

ou

✗ errou

E aqui está a parte brilhante do desenho experimental: se viesse um X, ela não sabia por quê.

Poderia ser porque:

• ela julgou errado a mudança visual;
• escolheu a característica errada;
• ou a característica que estava valendo tinha mudado naquela rodada.

Os pesquisadores não diziam qual dos três tinha acontecido.

Por isso, depois de um acerto, ela pensava algo equivalente a:

“Beleza, provavelmente continuo prestando atenção na orientação.”

Depois de um erro:

“Droga! Eu vi errado ou agora mudou a regra?”

É aí que nasce a incerteza que interessa ao estudo: NÃO SABER POR QUE ERROU.

E agora dá para entender por que o experimento é tão bom para o trader: as duas informações estão realmente na tela. Nenhuma é falsa. O problema é saber qual delas deve comandar aquela decisão.

E sim: as mudanças eram deliberadamente sutis. Antes do experimento principal, os pesquisadores calibravam a dificuldade para cada pessoa, de modo que ela acertasse essas diferenças aproximadamente 75% das vezes. Então não era “olhei e ficou óbvio que virou”. Era uma discriminação visual difícil.

Depois do erro, ela passa a ficar incerta entre explicações possíveis para aquele erro: eu percebi a imagem errado? Escolhi a característica errada? Ou a regra mudou? O feedback informa apenas que ela errou; não informa por quê.

Essa incerteza sobre qual regra está valendo é justamente o que o estudo explora.

O que acontece depois do erro

E é exatamente depois desse erro que tudo piora.

Registrando neurônios do córtex visual de macacos e testando humanos em paralelo, eles mediram o que acontece quando a certeza sobre a tarefa cai. A resposta fica mais lenta. A precisão cai. E, no cérebro, acontece uma coisa específica: a informação que não interessa para aquela decisão passa a ser representada com mais força, e as duas informações, que antes ficavam separadas, se misturam.

Pense na mesma imagem das listras.

Suponha que, naquela rodada, o que vale é a inclinação. Então o cérebro precisa usar principalmente a informação:

“As listras inclinaram para a direita ou para a esquerda?”

A distância entre as listras também mudou, mas não deveria influenciar essa resposta.

Quando a pessoa está segura de que a tarefa é julgar inclinação, isso funciona relativamente bem: a mudança no espaçamento interfere pouco.

Depois de um erro, ela fica menos certa sobre qual característica está valendo. E aí acontece o achado importante: a mudança na distância entre as listras começa a influenciar mais a resposta sobre a inclinação.

Por exemplo:

Ela deveria responder apenas:

“Inclinou para a direita.”

Mas agora o fato de as listras terem ficado mais juntas ou mais afastadas passa a alterar a probabilidade de ela responder direita ou esquerda.

É isso que significa “as duas informações se misturam”.

Não quer dizer que o cérebro literalmente confunde “inclinação” com “distância”. Quer dizer que uma informação que deveria ser independente começa a contaminar a leitura da outra.

E “representada com mais força” significa que, nos neurônios registrados no córtex visual dos macacos, a atividade neural passou a carregar mais informação sobre a característica irrelevante quando havia maior incerteza sobre a tarefa. Além disso, as representações neurais das duas características ficaram menos separadas.

Então, em português muito simples:

Antes do erro:

“Para responder inclinação, uso inclinação. O espaçamento importa pouco.”

Depois do erro:

“Não tenho tanta certeza do que está valendo. O espaçamento começa a interferir na minha resposta sobre inclinação.”

O bug não é a pessoa pensar “inclinação falhou, então agora vou olhar distância”. Isso seria uma atualização perfeitamente razoável.

O detalhe que estava faltando na nossa explicação é este: um erro não prova que a regra mudou.

Vamos ficar só no experimento com humanos.

Você vem acertando inclinação. Aí aparece uma nova dupla de imagens, você acha que as listras inclinaram para a direita, responde “direita” e não recebe recompensa.

Você não pode concluir: “pronto, inclinação não vale mais”.

Porque as diferenças eram difíceis de perceber. A dificuldade tinha sido calibrada para que as pessoas errassem parte das vezes mesmo sabendo qual característica deveriam observar. Então há pelo menos duas explicações plausíveis:

A inclinação continua valendo, mas eu enxerguei errado.

ou

Eu enxerguei certo, mas a regra mudou e agora é a distância entre as listras que vale.

É por isso que surge a incerteza. O erro reduz a certeza sobre a regra, não revela a nova regra.

Na próxima rodada, você ainda pode decidir: “acho que continua sendo inclinação” e responder sobre inclinação.

Se o seu cérebro funcionasse de forma ideal, faria mais ou menos isto:

“Estou menos certa de que inclinação seja a regra, então preciso também guardar informação sobre a distância. Mas, se decidi responder inclinação nesta rodada, vou julgar a inclinação sem deixar a distância atrapalhar.”

Foi aproximadamente isso que a rede artificial treinada para acertar conseguiu fazer. Depois de um erro, ela também passou a representar mais a característica alternativa, porque fazia sentido estar preparada para uma possível troca. Mas manteve as duas informações separadas e sua capacidade de julgar a característica escolhida não piorou.

O cérebro biológico não fez isso tão bem.

Suponha que você decidiu continuar respondendo inclinação. Na nova imagem, as listras inclinaram um pouquinho para a direita e ficaram muito mais juntas. Para acertar a tarefa de inclinação, o quanto ficaram juntas deveria ser irrelevante. Você deveria julgar apenas: direita ou esquerda.

Só que, depois do erro anterior, a informação sobre a distância fica mais presente e começa a interferir no julgamento da inclinação. Você fica pior justamente em dizer para que lado as listras inclinaram, apesar de estar vendo um estímulo equivalente ao que via antes. É isso que os autores chamam de feature interference.

Então a descoberta não é:

“Errei inclinação → começo a procurar distância.”

Isso seria adaptação.

A descoberta é:

“Errei → agora não sei com certeza qual regra vale → preciso manter as duas possibilidades disponíveis → e, no cérebro, essas duas informações deixam de ficar suficientemente separadas. A informação sobre distância começa a contaminar meu julgamento da inclinação, e vice-versa.”

A PESSOA FICOU MENOS EFICIENTE EM RECONHECER OS MESMOS PADRÕES.

Aí sim aparece o verdadeiro bug.

“Quando você deixa de ter certeza sobre qual informação deve orientar a decisão, informação irrelevante começa a interferir na percepção da informação relevante.”

Não é distração. É o dado errado ganhando volume na entrada do sistema, antes de qualquer raciocínio.

O erro não começa na análise

É o dado errado ganhando volume na entrada do sistema, antes de qualquer raciocínio.

Quero treinar isso com a Danielle →

O que as redes artificiais mostraram

A pergunta passou a ser:

“Esse pior desempenho é inevitável quando existe dúvida sobre a regra ou é alguma característica do jeito como o cérebro resolve essa dúvida?”

Para testar isso, eles criaram duas redes neurais artificiais para fazer a mesma tarefa dos macacos.

Uma foi treinada com um objetivo simples: acertar o máximo possível. A outra foi treinada para imitar as escolhas dos macacos, inclusive os erros deles.

A IA treinada para acertar também ficava diante da dúvida sobre qual regra estava valendo. Mas conseguia manter as duas informações separadas e não apresentava a mesma piora.

Já a IA treinada para imitar os macacos passava a misturar as duas informações de um jeito parecido com o que aparecia nos dados dos macacos.

Então as IAs entram no estudo para responder uma pergunta muito específica:

“Ter dúvida sobre a regra, por si só, obriga você a misturar as informações?”

A resposta foi não.

Dá para ter dúvida e ainda manter as duas informações separadas. A IA treinada para acertar fez isso.

Por isso, os pesquisadores começaram a suspeitar que a queda de desempenho dos macacos não vinha simplesmente da incerteza. Vinha da maneira como o cérebro lidava com essa incerteza: deixando uma informação interferir na outra.

Esse é o motivo de terem colocado IA no estudo. Não é um enfeite nem uma “quarta prova” jogada no final. Ela ajudou os pesquisadores a levantar a hipótese do mecanismo.

O que eles viram nos neurônios

Depois, eles foram testar se essa hipótese aparecia no cérebro e se conseguiam provocar o efeito diretamente.

Para confirmar que era isso, eles olharam para padrões de atividade de uma população de neurônios visuais dos macacos.

Nos macacos, as duas características não eram inclinação e espaçamento. Eram localização do estímulo e frequência espacial. Eles tinham uma matriz cronicamente implantada com 48 eletrodos em V1 e registravam a atividade de dezenas de neurônios ao mesmo tempo — em média, cerca de 46 por sessão.

A lógica foi esta:

Imagine que você tenha 46 neurônios registrados ao mesmo tempo. Quando o estímulo muda de posição, o conjunto desses 46 neurônios produz um padrão de atividade. Quando muda a frequência espacial, produz outro padrão.

Os pesquisadores então usaram análise matemática para descobrir, dentro dessa população, qual direção de atividade melhor carregava informação sobre localização e qual direção carregava informação sobre frequência espacial. Em outras palavras: eles construíram um “decodificador” para perguntar ao conjunto de neurônios:

“Olhando apenas para essa atividade, consigo descobrir onde estava o estímulo?”

e

“Consigo descobrir qual era a frequência espacial?”

Quando o macaco estava seguro sobre a tarefa, essas duas representações ficavam relativamente independentes.

Pense geometricamente:

• localização → eixo A
• frequência → eixo B

Se A e B estão bem separados, saber onde o estímulo está não ajuda você a adivinhar sua frequência.

Depois de um erro, quando a certeza sobre a tarefa caía, eles encontraram justamente isto:

A atividade neural usada para representar localização passou a carregar mais informação sobre frequência; e a atividade usada para representar frequência passou a carregar mais informação sobre localização.

Esse é o “misturou”.

E eles fizeram uma análise ainda mais forte: pegaram o mesmo estímulo físico apresentado em várias tentativas. Mesmo sem mudar a imagem, as pequenas flutuações naturais da população de neurônios na dimensão “localização” e na dimensão “frequência” ficavam mais correlacionadas quando o macaco estava incerto. Ou seja, as duas representações neuronais estavam menos independentes.

E depois veio a parte causal, que é provavelmente a mais convincente. Eles estimularam eletricamente o V1 para enviesar a percepção de localização. Como V1 é retinotópico, eles conseguiam empurrar a percepção do macaco para “mais à direita” ou “mais à esquerda”. Se localização e frequência estivessem completamente separadas, mexer artificialmente na percepção de localização não deveria alterar a resposta sobre frequência espacial.

Mas alterou.

E alterou mais quando o macaco estava incerto sobre qual tarefa valia.

Então, resumindo de uma maneira muito concreta. Eles não disseram:

“Esse neurônio é da posição e aquele é da frequência.”

Eles disseram:

“O padrão coletivo desses neurônios contém informação sobre posição e sobre frequência. Quando a tarefa está clara, conseguimos separar bem essas duas informações. Depois do erro, elas ficam mais acopladas. E, se eu mexo artificialmente numa delas, começo a alterar a outra.”

Aí a palavra “mistura” deixa de ser metáfora. É uma propriedade mensurável da geometria da atividade populacional no córtex visual.

A sequência do estudo, portanto, é mais ou menos:

viram o problema no comportamento → usaram as IAs para entender o que poderia estar causando → procuraram esse mecanismo nos neurônios → mexeram no cérebro para ver se conseguiam causar o efeito

O que isso tem a ver com a psicologia do trading?

Repare na ordem do experimento: primeiro vem o prejuízo, depois vem a piora da leitura.

É o seu stop. Você não sabe se o cenário virou ou se foi só um movimento normal e o stop foi uma obediência ao plano. Daí em diante, você continua olhando o mesmo gráfico, o mesmo ativo, os mesmos preços — mas o que entra na sua decisão não é mais só o que está ali.

Entra a operação anterior, entra o que você leu no grupo, entra o número que falta fechar no mês. E o estudo mostra que, nesse estado, o que não interessa não fica em segundo plano. Fica mais forte.

Sua capacidade de reconhecer padrões que você está acostumado a ver diminui.

Tem um detalhe ainda mais incômodo: a direção dessa mistura é individual. Cada participante tinha o seu próprio padrão. Não existe erro genérico — existe o seu.

Não existe erro genérico

A direção dessa mistura é individual. Existe o seu.

Quero treinar isso com a Danielle →

Como saber se o stop mudou sua leitura

Depois de um stop, o ponto não é parar de operar automaticamente. É perceber se a forma como você está pensando mudou. Na tomada de decisão no trading, essa diferença importa porque você pode continuar usando o mesmo setup e, ainda assim, estar lendo o mercado de outro jeito.

Depois de um stop, muita gente começa a procurar mais coisa:

• abre outro tempo gráfico;
• olha correlação;
• vai para o fluxo;
• procura notícia;
• lê o grupo;
• tenta descobrir o que “não viu”.

Só que, se você já entrou num estado subótimo para reconhecer os padrões do seu setup, colocar mais informação na frente só aumenta o número de coisas competindo pela sua atenção.

O ponto não é olhar mais. É reduzir o campo de busca.

Algumas perguntas ajudam a perceber se a sua forma de pensar mudou:

• Estou procurando mais confirmação do que normalmente procuro?
• Comecei a olhar coisas que não faziam parte desse trade?
• Mudei algum critério de entrada?
• Estou com pressa para recuperar o que perdi?
• O P&L começou a pesar na decisão?

Essas são pistas de que você pode estar num estado subótimo para reconhecer os padrões do seu setup, mesmo achando que está olhando o mercado do mesmo jeito.

Autogestão e maturidade no trading também passam por isso: perceber essa mudança antes de abrir a próxima operação.

Se, para justificar a próxima operação, você precisa começar a procurar informação que normalmente nem faria parte daquele trade, você já saiu do seu processo.

E, se você não consegue fazer essa checagem com clareza, aí sim faz sentido sair da mesa e voltar depois.

Perguntas frequentes sobre psicologia do trading depois de um stop

O que acontece no cérebro depois de um stop?

Depois de uma perda, você continua olhando o mesmo gráfico, o mesmo ativo, os mesmos preços — mas seu cérebro não está lendo aquelas informações do mesmo jeito. A informação que não interessa para aquela decisão passa a ser representada com mais força, e as duas informações, que antes ficavam separadas, se misturam.

O que é feature interference?

É o nome que os autores do estudo dão ao efeito: quando você deixa de ter certeza sobre qual informação deve orientar a decisão, informação irrelevante começa a interferir na percepção da informação relevante. Não é distração. É o dado errado ganhando volume na entrada do sistema, antes de qualquer raciocínio.

Por que um erro piora a leitura do gráfico?

Porque um erro não prova que a regra mudou. O erro reduz a certeza sobre a regra, não revela a nova regra. E é nesse estado de incerteza que a pessoa fica menos eficiente em reconhecer os mesmos padrões que reconhecia antes.

Devo parar de operar depois de um stop?

Depois de um stop, o ponto não é parar de operar automaticamente. É perceber se a forma como você está pensando mudou. Se você não consegue fazer essa checagem com clareza, aí sim faz sentido sair da mesa e voltar depois.

Olhar mais gráficos e mais informação ajuda depois de uma perda?

Não. Se você já entrou num estado subótimo para reconhecer os padrões do seu setup, colocar mais informação na frente só aumenta o número de coisas competindo pela sua atenção. O ponto não é olhar mais. É reduzir o campo de busca.

Esse efeito acontece igual para todo mundo?

Não. A direção dessa mistura é individual: cada participante do estudo tinha o seu próprio padrão. Não existe erro genérico — existe o seu.

Onde esse trabalho acontece

Tudo que descrevi aqui aponta para a mesma coisa: a leitura do gráfico depois de uma perda não se corrige lendo sobre o assunto. Corrige-se treinando, no contexto certo, no momento em que o cérebro está de fato operando.

Quem quiser saber mais sobre o Neurotrading Experience — quatro dias presenciais em São Paulo — pode entrar em contato pelo WhatsApp. Nosso atendimento responde por lá.

Bons trades.

Danielle Gurgel

Referência

Xue, C., Markman, S. K., Chen, R., Kramer, L. E. & Cohen, M. R. “Feature interference underlies a neuronal basis for the behavioral cost of task uncertainty”. Nature Neuroscience, 10 de setembro de 2026.