Visão Geral do Projeto

O sistema implementa três abordagens principais de trading:

1. Abordagem Principal: Treina modelo XGBoost uma vez e executa previsões
2. Abordagem Random Forest: Treina modelo Random Forest com processamento completo
3. Abordagem Incremental: Retreina o modelo diariamente com novos dados

Licença

A licença deste projeto é Creative Commons Attribution-NonCommercial 4.0 International License. O uso autorizado pela licença exige o crédito aos respectivos autores. Não use para fins comerciais. O uso fora dos termos da licença pode resultar na terminação automática dos direitos concedidos por essa e sujeitar o infrator à responsabilização por violação de direitos autorais, incluindo possíveis ações legais e compensações por danos.

Ao compartilhar ou criar trabalhos derivativos deste, salvo em casos onde direitos autoriais não se aplicam, você deve dar os créditos ao autor e observar algumas exigências.

A licença é explicada em mais detalhes no arquivo LICENSE.md. Obtenha uma cópia em: https://creativecommons.org/licenses/by-nc/4.0/

Pré-requisitos

Certifique-se de ter instalado:

• Python 3.8+
• Jupyter Notebook
• Bibliotecas necessárias: pandas, numpy, xgboost, scikit-learn, plotly, pickle

Estrutura do Projeto

notebook/
├── data_featuring.ipynb           # Notebook principal de treinamento
├── data_featuring_actions_rf.ipynb # Treinamento Random Forest
├── data_featuring_actions_xb.ipynb # Execução com modelo pré-treinado
├── trader.py                      # Simulador principal
├── trader_retrained.py            # Simulador incremental
├── TradingSimulator.py            # Classe do simulador
├── TradingRelatorio.py            # Gerador de relatórios
└── df_final.parquet               # Arquivo de dados de mercado (entrada)

Passo a Passo de Execução

1. Preparação dos Dados

Obtenha um arquivo .parquet no formato compatível contendo os dados de mercado que deseja utilizar. O arquivo deve conter:

• Dados históricos de preços das ações
• Volumes de negociação
• Timestamps das operações
• Dados de múltiplos timeframes

Localização esperada: Coloque o arquivo .parquet no diretório raiz do projeto.

2. Execução do Treinamento Principal

Execute o notebook data_featuring.ipynb. Este notebook contém:

• Processamento de dados: Limpeza e preparação dos dados de entrada
• Feature engineering: Criação de variáveis preditivas
• Treinamento do modelo: Treina o modelo XGBoost principal
• Validação: Avalia a performance do modelo

# Abra o Jupyter Notebook
jupyter notebook data_featuring.ipynb

Saídas importantes:

• df_20_dados_fdate.csv: Dados intermediários processados
• xgboost_model.pkl: Modelo XGBoost treinado
• Métricas de avaliação do modelo

3. Preparação dos Dados de Teste

O processo gera dois arquivos importantes:

• df_20_dados_fdate.csv: Arquivo intermediário no processo de preparação
• df_20_dados_fdate_test.csv: Dados completamente tratados e separados para testes (representa os últimos 10% dos dados)

4. Escolha da Estratégia de Trading

Opção A: Random Forest (Treinamento Completo)

Execute data_featuring_actions_rf.ipynb:

• Funcionalidade: Realiza tratamentos completos dos dados e treina um modelo Random Forest do zero
• Processamento: Feature engineering completo
• Modelo: Random Forest otimizado
• Entrada: Usa df_20_dados_fdate.csv
• Saída: stock_action_data.csv com decisões de trading

jupyter notebook data_featuring_actions_rf.ipynb

Opção B: XGBoost Pré-treinado (Recomendado)

Execute data_featuring_actions_xb.ipynb:

• Funcionalidade: Utiliza o modelo XGBoost já treinado em data_featuring.ipynb
• Processamento: Apenas previsões, sem novo treinamento
• Entrada: Usa df_20_dados_fdate_test.csv
• Saída: stock_action_data.csv com decisões de trading

jupyter notebook data_featuring_actions_xb.ipynb

Nota importante: Embora possa parecer contraditório treinar com todos os dias de uma vez, o modelo não é retreinado durante o processo de execução, apenas faz previsões. Isso é válido para backtesting.

5. Geração de Ações de Trading

Ambos os notebooks da etapa anterior geram o arquivo stock_action_data.csv contendo:

• Ações: Decisões de compra, venda ou manutenção
• Preços: Preços de execução das operações
• Datas: Timestamps das operações
• Quantidades: Número de ações para cada operação

O arquivo contém as movimentações calculadas para os últimos 10% dos dias do dataset (período de teste).

6. Simulação de Trading

Simulação Padrão

Execute trader.py para simular as estratégias principal ou simplificada:

python trader.py

Características:

• Capital inicial: Configurável (padrão: $0)
• Sistema de empréstimo: Permite alavancagem com $10,000 (também configurável)
• Estratégia de compra/venda: Compra 80% do capital disponível, vende toda a posição
• Quantidade mínima: Compra no mínimo 5 ações se o capital for insuficiente
• Taxas: Inclui corretagem, taxas SEC, TAF
• Impostos: Aplica imposto de 25% sobre ganhos de curto prazo
• Juros: Aplica juros diários de 0.2% sobre empréstimos
• Relatórios: Gera análise detalhada de P&L

Configurações principais:

simulator = TradingSimulator(capital_inicial=0)
loan_amount = 10000
fazer_emprestimo = True  # Ativa sistema de empréstimo

Simulação Incremental

Execute trader_retrained.py para a abordagem incremental:

python trader_retrained.py

Características:

• Retreinamento diário: Modelo é atualizado diariamente
• Dados crescentes: Usa dados históricos acumulados
• Maior realismo: Simula condições reais de trading
• Performance: Mais lenta devido ao retreinamento

7. Análise dos Resultados

O sistema gera automaticamente:

Relatório Textual

• Resumo financeiro final
• Análise de transações (compras/vendas)
• Custos detalhados (corretagem, impostos, juros)
• Métricas de performance

Gráfico P&L Diário

• Visualização da evolução do portfolio
• Arquivo PNG salvo automaticamente
• Gráfico interativo com Plotly

Arquivo CSV de P&L

• pnl_diario.csv: Histórico detalhado diário
• Dados para análises adicionais

Configuração Avançada

TradingSimulator - Parâmetros

simulator = TradingSimulator(
    capital_inicial=0,              # Capital inicial
    imposto_curto=0.25,            # Imposto sobre ganhos de curto prazo
    corretagem_por_acao=0.00,      # Taxa de corretagem por ação
    taxa_sec_r=0.0000229,          # Taxa SEC
    taxa_taf_r=0.000145,           # Taxa TAF
    limite_taf=7.27,               # Limite máximo TAF
    taxa_juros_diaria=0.002,       # Taxa de juros diária (0.2%)
    emprestimo_automatico=True,     # Empréstimo automático quando necessário
    limite_emprestimo=20000,        # Limite máximo de empréstimo
    log_transacoes=True            # Log detalhado de transações
)

Estratégia de Empréstimo

O sistema permite alavancagem através de empréstimos:

• Valor padrão: $10,000
• Taxa de juros: 0.2% ao dia
• Pagamento: Automático ao final do período
• Limite: Configurável por instância

Estratégia de Posicionamento

• Compras: Utiliza 80% do capital disponível
• Vendas: Vende toda a posição em ações
• Manutenção: Mantém posição atual
• Quantidade mínima: 5 ações quando capital insuficiente

Análise de Performance

• Total de Transações: Número de operações executadas
• Preço Médio de Compra/Venda: Eficiência das operações
• Evolução Diária: Tendência do portfolio ao longo do tempo

Solução de Problemas

Erros Comuns

1. Arquivo não encontrado: Verifique se todos os arquivos CSV estão no diretório correto
2. Modelo não carregado: Execute data_featuring.ipynb primeiro
3. Dados insuficientes: Verifique se o arquivo .parquet tem dados suficientes
4. Erro de dependências: Instale todas as bibliotecas necessárias

Extensões Possíveis

• Múltiplos ativos: Expandir para portfolio diversificado
• Stop-loss: Implementar limites de perda
• Análise de risco: Métricas de Sharpe, VaR, etc.

Aviso

Este sistema foi desenvolvido para fins educacionais e de pesquisa. A negociação automática de ativos envolve riscos significativos. Consulte um profissional.

Feito por Gean de Magalhães de Souza [email protected]

Orientador: Eduardo Bezerra [email protected]