Olá, comunidade! 👋
O mercado de criptomoedas é caos, volatilidade e estresse 24/7. É possível domá-lo com matemática e código?
Ultimamente, tenho trabalhado em um pet-project — um agente de negociação baseado em Ensemble Machine Learning. Não é apenas um "bot no RSI", mas uma arquitetura complexa que combina três redes neurais diferentes para a tomada de decisões.
Quero compartilhar detalhes técnicos e a arquitetura. Esta é uma revisão puramente técnica do experimento, e não um chamado à ação.
🧠 "Cérebro" do sistema: O que é Aprendizado por Conjunto?
Um modelo frequentemente comete erros. Portanto, usei a abordagem Ensemble — é como um conselho onde a decisão é tomada pela votação de três especialistas diferentes.
Meu agente analisa pares (BTC, ETH, BNB, SOL, XRP) em diferentes intervalos de tempo, usando três modelos:
1. CatBoost (Analista):
• Algoritmo de boosting por gradiente.
• O que faz: Procura conexões não lineares entre 31 indicadores (RSI, volumes, volatilidade).
• Força: A mais alta precisão (AUC ~0.75) em dados tabulares.
2. Transformer (Estratégia):
• A mesma arquitetura que está por trás do ChatGPT, mas para números.
• O que faz: Analisa 512 velas históricas através do mecanismo de Auto-Atenção.
• Força: Vê padrões globais e contextos de longo prazo.
3. TCN (Tática):
• Rede Neural Convolucional Temporal.
• O que faz: Foca em tendências locais.
• Força: Muito rápida e eficaz para previsões de curto prazo.
📊 Como a decisão é tomada?
Cada modelo "vota". O agente pega a média ponderada de suas previsões. Isso permite filtrar sinais falsos: se um modelo entra em pânico e os outros dois permanecem calmos — a negociação não é aberta.
🛡 Gestão de risco > Lucro
O principal problema dos bots é que eles podem "esvaziar" a conta durante a noite. Portanto, construí um sistema de proteção antes mesmo de ensiná-lo a negociar:
• Stops dinâmicos: Stop-Loss e Take-Profit não são fixos, mas se adaptam à volatilidade do mercado (via ATR). Se o mercado oscila — stops mais largos, se está lateral — mais estreitos.
• Arquitetura de duas velocidades:
• Ciclo Lento (5 min): Pensa, escolhe as melhores moedas para a Watchlist.
• Ciclo Rápido (1 seg): Executa negociações, monitora spreads e liquidez.
• Proteção contra "Tilt": Limitação de drawdown diário (máx 3%), limite de posições abertas e períodos de cooldown entre negociações.
📈 Resultados dos testes (Números honestos)
Em dados históricos (Backtesting), o sistema mostra uma métrica AUC entre 0.71-0.73.
Para referência: AUC 0.5 é como jogar uma moeda. AUC 0.7+ já é uma capacidade estatisticamente significativa de prever a direção.
Isso não significa um botão "dinheiro", mas fornece uma expectativa matemática positiva ao seguir a gestão de risco (relação Risco/Recompensa 1:2).
🚀 Roteiro: O que vem a seguir?
O projeto está em fase de desenvolvimento ativo. Aqui está o que planejo adicionar:
1. Análise de Livro de Ordens: Treinar a rede neural para olhar não apenas para o preço, mas também para o livro de ordens (desequilíbrio entre compradores/vendedores).
2. Adaptação ao Regime: O agente deve entender por si mesmo o que está acontecendo no mercado: tendência ou lateral, e mudar automaticamente os pesos dos modelos.
3. Aprendizado por Reforço (RL): Adicionar um agente que aprenderá a controlar o tamanho da posição, "punindo" a si mesmo por perdas e "recompensando" por entradas corretas.
💻 Pilha técnica: Python, Asyncio, PyTorch, CatBoost. Hardware: NVIDIA RTX 4070.
É interessante ouvir a opinião de outros desenvolvedores e traders: como você se sente sobre IA no trading? Você acredita que algoritmos podem superar o mercado a longo prazo?
Escreva nos comentários! 👇
