O primeiro passo é mergulhar na origem dos dados. Não aceito datasets sem granularidade fina e registro detalhado. Se os dados não suportam simular microestrutura, o resto é perda de tempo. Isso exige examinar fontes, formatos, intervalos e possíveis viéses logo no início, evitando construir hipóteses em cima de bases frágeis. Só com dados sólidos o processo avança.

Depois dos dados, foco nos cenários. Simulo situações anómalas: quebras súbitas de liquidez, variações extremas e eventos raros. O objetivo é identificar rapidamente onde o modelo falha e se adapta. O cenário médio engana; só o extremo revela fragilidades escondidas e obriga a revisão de premissas.

Cada hipótese e resultado passam por revisão crítica com especialistas de outras áreas. Isso cria um ambiente de debate, reduz vieses e expõe falhas cedo. Documentar erros é obrigatório, não opcional. O que não é contestado, dificilmente sobrevive ao mercado real.

O ciclo fecha com ajuste rápido dos modelos. Cada falha documentada serve de base para aprimorar hipóteses e atualizar parâmetros. O processo é iterativo: só avança quem aprende rápido com o erro, sem medo de recomeçar. Não existe perfeição, mas é possível reduzir os pontos cegos a cada ciclo.