-
Notifications
You must be signed in to change notification settings - Fork 0
Expand file tree
/
Copy pathpattern_analysis.py
More file actions
885 lines (718 loc) · 40.8 KB
/
pattern_analysis.py
File metadata and controls
885 lines (718 loc) · 40.8 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Análise de Padrões Avançada - WINV25 Trading Data
Descobre padrões, correlações e insights nos dados coletados
"""
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from pathlib import Path
import json
import argparse
from datetime import datetime, timedelta
import warnings
warnings.filterwarnings('ignore')
# Configurar estilo dos gráficos
plt.style.use('default')
sns.set_palette("husl")
class PatternAnalyzer:
"""Analisador avançado de padrões nos dados de trading"""
def __init__(self, data_dir="./data"):
"""
Inicializa o analisador
Args:
data_dir: Diretório com os dados coletados
"""
self.data_dir = Path(data_dir)
self.sessions = self._discover_sessions()
def _discover_sessions(self):
"""Descobre sessões disponíveis"""
sessions = {}
trades_dir = self.data_dir / "trades"
if trades_dir.exists():
for file in trades_dir.glob("trades_*.csv"):
session_id = file.stem.replace("trades_", "")
sessions[session_id] = {'trades': file}
# Adicionar outros arquivos da sessão
for subdir in ['regimes', 'temperature', 'snapshots']:
json_file = self.data_dir / subdir / f"{subdir}_{session_id}.json"
if json_file.exists():
sessions[session_id][subdir] = json_file
return sessions
def load_session_data(self, session_id):
"""Carrega dados completos de uma sessão"""
if session_id not in self.sessions:
available = list(self.sessions.keys())
raise ValueError(f"Sessão {session_id} não encontrada. Disponíveis: {available}")
session_data = {}
files = self.sessions[session_id]
# Carregar trades
if 'trades' in files:
df_trades = pd.read_csv(files['trades'])
df_trades['timestamp'] = pd.to_datetime(df_trades['timestamp'], format='mixed')
session_data['trades'] = df_trades
# Carregar dados JSON
for data_type in ['regimes', 'temperature', 'snapshots']:
if data_type in files:
with open(files[data_type], 'r', encoding='utf-8') as f:
session_data[data_type] = json.load(f)
return session_data
def analyze_session_patterns(self, session_id, save_plots=True):
"""
Análise completa de padrões de uma sessão
Args:
session_id: ID da sessão
save_plots: Se deve salvar gráficos
"""
print(f"🔍 ANÁLISE DE PADRÕES - SESSÃO: {session_id}")
print("="*80)
data = self.load_session_data(session_id)
if save_plots:
# Criar diretório para plots
plot_dir = Path(f"./plots_{session_id}")
plot_dir.mkdir(exist_ok=True)
# 1. Análise de Correlação Temperatura vs Atividade
self._analyze_temperature_correlation(data, session_id, plot_dir if save_plots else None)
# 2. Análise de Comportamento por Corretora
self._analyze_broker_behavior(data, session_id, plot_dir if save_plots else None)
# 3. Análise Temporal (Horários de Atividade)
self._analyze_temporal_patterns(data, session_id, plot_dir if save_plots else None)
# 4. Análise de Regimes de Mercado
self._analyze_regime_patterns(data, session_id, plot_dir if save_plots else None)
# 5. Análise de Fluxo Institucional vs Varejo
self._analyze_flow_patterns(data, session_id, plot_dir if save_plots else None)
# 6. Detecção de Anomalias
self._detect_anomalies(data, session_id)
if save_plots:
print(f"\n📊 Gráficos salvos em: {plot_dir.absolute()}")
def _analyze_temperature_correlation(self, data, session_id, plot_dir):
"""Analisa correlação entre temperatura e atividade do mercado"""
print("\n🌡️ ANÁLISE: TEMPERATURA vs ATIVIDADE")
print("-" * 50)
if 'temperature' not in data or 'trades' not in data:
print("❌ Dados insuficientes para análise de temperatura")
return
# Extrair dados de temperatura
temp_data = []
for t in data['temperature']:
temp_data.append({
'timestamp': pd.to_datetime(t['timestamp'], format='mixed'),
'temperatura': t['temperatura_geral']['temperatura'],
'classificacao': t['temperatura_geral']['classificacao'],
'volume_contratos': t['volume_total_contratos']
})
df_temp = pd.DataFrame(temp_data)
if len(df_temp) < 2:
print("❌ Dados de temperatura insuficientes")
return
# Análise de trades por minuto
df_trades = data['trades'].copy()
df_trades['minute'] = df_trades['timestamp'].dt.floor('min')
trades_per_minute = df_trades.groupby('minute').agg({
'volume': 'sum',
'quantity': 'sum',
'trade_type': 'count'
}).rename(columns={'trade_type': 'num_trades'})
# Correlações
if len(df_temp) > 1 and len(trades_per_minute) > 1:
# Merge dados para correlação
df_temp['minute'] = df_temp['timestamp'].dt.floor('min')
merged = pd.merge(df_temp, trades_per_minute, on='minute', how='inner')
if len(merged) > 1:
corr_temp_vol = merged['temperatura'].corr(merged['volume'])
corr_temp_qty = merged['temperatura'].corr(merged['quantity'])
corr_temp_trades = merged['temperatura'].corr(merged['num_trades'])
print(f"📊 Correlações descobertas:")
print(f" Temperatura vs Volume: {corr_temp_vol:.3f}")
print(f" Temperatura vs Quantidade: {corr_temp_qty:.3f}")
print(f" Temperatura vs Num.Trades: {corr_temp_trades:.3f}")
# Interpretação
if abs(corr_temp_vol) > 0.5:
trend = "forte" if abs(corr_temp_vol) > 0.7 else "moderada"
direction = "positiva" if corr_temp_vol > 0 else "negativa"
print(f" 💡 Correlação {trend} {direction} entre temperatura e volume!")
# Análise por classificação de temperatura
temp_stats = df_temp.groupby('classificacao').agg({
'volume_contratos': ['mean', 'std', 'count']
}).round(2)
print(f"\n📈 Volume médio por temperatura:")
for classificacao in ['fria', 'morna', 'quente', 'fervendo']:
if classificacao in temp_stats.index:
stats = temp_stats.loc[classificacao]
mean_vol = stats[('volume_contratos', 'mean')]
count = int(stats[('volume_contratos', 'count')])
print(f" {classificacao.title()}: {mean_vol:,.0f} contratos ({count} períodos)")
# Gráfico se solicitado
if plot_dir:
self._plot_temperature_correlation(df_temp, merged if 'merged' in locals() else None,
plot_dir, session_id)
def _analyze_broker_behavior(self, data, session_id, plot_dir):
"""Analisa comportamento individual das corretoras"""
print("\n🏢 ANÁLISE: COMPORTAMENTO DAS CORRETORAS")
print("-" * 50)
if 'trades' not in data:
print("❌ Dados de trades não disponíveis")
return
df_trades = data['trades'].copy()
# Consolidar dados por corretora
broker_stats = {}
for _, row in df_trades.iterrows():
# Processar comprador e vendedor
for side, agent_col, cat_col, peso_col, nome_col in [
('buy', 'buy_agent', 'buy_categoria', 'buy_peso', 'buy_nome'),
('sell', 'sell_agent', 'sell_categoria', 'sell_peso', 'sell_nome')
]:
agent_id = row[agent_col]
if agent_id == 0: # Ignorar IDs inválidos
continue
if agent_id not in broker_stats:
broker_stats[agent_id] = {
'nome': row[nome_col],
'categoria': row[cat_col],
'peso': row[peso_col],
'volume_total': 0,
'quantidade_total': 0,
'num_trades': 0,
'volume_compra': 0,
'volume_venda': 0,
'horarios': [],
'precos': []
}
# Atualizar estatísticas
stats = broker_stats[agent_id]
stats['volume_total'] += row['volume'] / 2 # Dividir por 2 pois cada trade conta duas vezes
stats['quantidade_total'] += row['quantity'] / 2
stats['num_trades'] += 0.5
stats['horarios'].append(row['timestamp'])
stats['precos'].append(row['price'])
if side == 'buy':
stats['volume_compra'] += row['volume'] / 2
else:
stats['volume_venda'] += row['volume'] / 2
# Converter para DataFrame para análise
broker_list = []
for agent_id, stats in broker_stats.items():
if stats['volume_total'] > 0: # Só corretoras com atividade
broker_list.append({
'agent_id': agent_id,
'nome': stats['nome'],
'categoria': stats['categoria'],
'peso': stats['peso'],
'volume_total': stats['volume_total'],
'quantidade_total': stats['quantidade_total'],
'num_trades': int(stats['num_trades']),
'volume_medio_trade': stats['volume_total'] / stats['num_trades'] if stats['num_trades'] > 0 else 0,
'bias_compra_venda': (stats['volume_compra'] - stats['volume_venda']) / stats['volume_total'] if stats['volume_total'] > 0 else 0,
'preco_medio': np.mean(stats['precos']) if stats['precos'] else 0,
'volatilidade_preco': np.std(stats['precos']) if len(stats['precos']) > 1 else 0,
'duracao_atividade': (max(stats['horarios']) - min(stats['horarios'])).total_seconds() / 60 if len(stats['horarios']) > 1 else 0
})
df_brokers = pd.DataFrame(broker_list)
if df_brokers.empty:
print("❌ Nenhuma atividade de corretora detectada")
return
# Top corretoras por volume
print("🏆 TOP 10 CORRETORAS POR VOLUME:")
top_brokers = df_brokers.nlargest(10, 'volume_total')
for i, row in top_brokers.iterrows():
categoria_emoji = {'institucional': '🏦', 'varejo': '🏪', 'outros': '🏢'}.get(row['categoria'], '❓')
print(f" {categoria_emoji} {row['nome']} - R$ {row['volume_total']:>12,.0f} | "
f"Peso: {row['peso']} | {int(row['num_trades'])} trades")
# Análise por categoria
print(f"\n📊 ANÁLISE POR CATEGORIA:")
for categoria in ['institucional', 'varejo', 'outros']:
cat_brokers = df_brokers[df_brokers['categoria'] == categoria]
if not cat_brokers.empty:
total_vol = cat_brokers['volume_total'].sum()
num_brokers = len(cat_brokers)
avg_vol = cat_brokers['volume_total'].mean()
avg_bias = cat_brokers['bias_compra_venda'].mean()
print(f" {categoria.title()}:")
print(f" Volume total: R$ {total_vol:,.0f} ({len(cat_brokers)} corretoras)")
print(f" Volume médio: R$ {avg_vol:,.0f}")
print(f" Bias C/V: {avg_bias:+.2f} (+ = mais compra)")
# Detectar comportamentos interessantes
self._detect_broker_anomalies(df_brokers)
# Salvar gráfico se solicitado
if plot_dir:
self._plot_broker_analysis(df_brokers, plot_dir, session_id)
def _analyze_temporal_patterns(self, data, session_id, plot_dir):
"""Analisa padrões temporais (horários de atividade)"""
print("\n⏰ ANÁLISE: PADRÕES TEMPORAIS")
print("-" * 50)
if 'trades' not in data:
print("❌ Dados de trades não disponíveis")
return
df_trades = data['trades'].copy()
# Extrair componentes de tempo
df_trades['hora'] = df_trades['timestamp'].dt.hour
df_trades['minuto'] = df_trades['timestamp'].dt.minute
df_trades['segundo'] = df_trades['timestamp'].dt.second
df_trades['hora_decimal'] = df_trades['hora'] + df_trades['minuto']/60 + df_trades['segundo']/3600
# Análise por hora
hourly_stats = df_trades.groupby('hora').agg({
'volume': ['sum', 'mean', 'count'],
'quantity': ['sum', 'mean'],
'price': ['mean', 'std']
}).round(2)
print("📈 ATIVIDADE POR HORA:")
for hora in sorted(df_trades['hora'].unique()):
if hora in hourly_stats.index:
vol_total = hourly_stats.loc[hora, ('volume', 'sum')]
num_trades = hourly_stats.loc[hora, ('volume', 'count')]
preco_medio = hourly_stats.loc[hora, ('price', 'mean')]
print(f" {hora:02d}:00 - Volume: R$ {vol_total:>8,.0f} | "
f"{num_trades:>3} trades | Preço médio: {preco_medio:.3f}")
# Detectar horários de pico
hourly_volume = df_trades.groupby('hora')['volume'].sum()
hora_pico = hourly_volume.idxmax()
vol_pico = hourly_volume.max()
print(f"\n🔥 HORÁRIO DE PICO: {hora_pico:02d}:00 (R$ {vol_pico:,.0f})")
# Análise de 5 em 5 minutos
df_trades['intervalo_5min'] = (df_trades['minuto'] // 5) * 5
interval_stats = df_trades.groupby('intervalo_5min')['volume'].agg(['sum', 'count']).round(2)
print(f"\n📊 ATIVIDADE POR INTERVALO DE 5 MINUTOS:")
for intervalo in sorted(df_trades['intervalo_5min'].unique()):
if intervalo in interval_stats.index:
vol = interval_stats.loc[intervalo, 'sum']
count = interval_stats.loc[intervalo, 'count']
print(f" {intervalo:02d}-{(intervalo+4):02d}min: R$ {vol:>8,.0f} ({count} trades)")
# Detectar padrões de concentração
hora_concentracao = len(df_trades['hora'].unique())
minuto_concentracao = len(df_trades['minuto'].unique())
print(f"\n⏱️ CONCENTRAÇÃO TEMPORAL:")
print(f" Ativo em {hora_concentracao} horas diferentes")
print(f" Ativo em {minuto_concentracao} minutos diferentes")
if hora_concentracao <= 2:
print(" 💡 Atividade muito concentrada em poucas horas!")
elif minuto_concentracao <= 10:
print(" 💡 Atividade concentrada em poucos minutos!")
# Salvar gráfico se solicitado
if plot_dir:
self._plot_temporal_patterns(df_trades, hourly_stats, plot_dir, session_id)
def _analyze_regime_patterns(self, data, session_id, plot_dir):
"""Analisa padrões nos regimes de mercado"""
print("\n📈 ANÁLISE: PADRÕES DE REGIMES")
print("-" * 50)
if 'regimes' not in data:
print("❌ Dados de regime não disponíveis")
return
regime_data = data['regimes']
if len(regime_data) < 2:
print("❌ Dados de regime insuficientes")
return
# Processar dados de regime
df_regimes = pd.DataFrame([{
'timestamp': pd.to_datetime(r['timestamp'], format='mixed'),
'regime': r['regime'],
'confianca': r['confianca'],
'temp_mercado': r['stats'].get('temperatura', 0) if 'stats' in r else 0,
'pct_positivas': r['stats'].get('percentual_positivas', 0) if 'stats' in r else 0,
'pct_institucional': r['stats'].get('percentual_institucional', 0) if 'stats' in r else 0,
'dominio': r['stats'].get('dominio', 'indefinido') if 'stats' in r else 'indefinido'
} for r in regime_data])
# Análise de distribuição de regimes
regime_counts = df_regimes['regime'].value_counts()
print("📊 DISTRIBUIÇÃO DE REGIMES:")
regime_emojis = {
'trending_bull': '🐂',
'trending_bear': '🐻',
'sideways': '↔️',
'alta_volatilidade': '⚡'
}
for regime, count in regime_counts.items():
pct = (count / len(df_regimes)) * 100
emoji = regime_emojis.get(regime, '❓')
print(f" {emoji} {regime}: {count} ({pct:.1f}%)")
# Análise de transições
transitions = []
for i in range(1, len(df_regimes)):
prev_regime = df_regimes.iloc[i-1]['regime']
curr_regime = df_regimes.iloc[i]['regime']
if prev_regime != curr_regime:
transitions.append((prev_regime, curr_regime))
if transitions:
print(f"\n🔄 MUDANÇAS DE REGIME ({len(transitions)} transições):")
from collections import Counter
transition_counts = Counter(transitions)
for (from_regime, to_regime), count in transition_counts.most_common():
emoji_from = regime_emojis.get(from_regime, '❓')
emoji_to = regime_emojis.get(to_regime, '❓')
print(f" {emoji_from} {from_regime} → {emoji_to} {to_regime}: {count}x")
# Análise de confiança por regime
print(f"\n🎯 CONFIANÇA MÉDIA POR REGIME:")
confidence_by_regime = df_regimes.groupby('regime')['confianca'].agg(['mean', 'std']).round(1)
for regime in confidence_by_regime.index:
mean_conf = confidence_by_regime.loc[regime, 'mean']
std_conf = confidence_by_regime.loc[regime, 'std']
emoji = regime_emojis.get(regime, '❓')
print(f" {emoji} {regime}: {mean_conf}% (±{std_conf}%)")
# Correlação regime vs métricas
if len(df_regimes) > 2:
print(f"\n📊 CORRELAÇÕES COM MÉTRICAS:")
print(f" Confiança vs Temp.Mercado: {df_regimes['confianca'].corr(df_regimes['temp_mercado']):.3f}")
print(f" Confiança vs % Positivas: {df_regimes['confianca'].corr(df_regimes['pct_positivas']):.3f}")
print(f" Temp vs % Institucional: {df_regimes['temp_mercado'].corr(df_regimes['pct_institucional']):.3f}")
# Salvar gráfico se solicitado
if plot_dir:
self._plot_regime_patterns(df_regimes, plot_dir, session_id)
def _analyze_flow_patterns(self, data, session_id, plot_dir):
"""Analisa padrões de fluxo institucional vs varejo"""
print("\n🌊 ANÁLISE: PADRÕES DE FLUXO")
print("-" * 50)
if 'snapshots' not in data:
print("❌ Dados de snapshots não disponíveis")
return
snapshots = data['snapshots']
if len(snapshots) < 2:
print("❌ Snapshots insuficientes para análise")
return
# Extrair dados de fluxo
flow_data = []
for snapshot in snapshots:
flow_data.append({
'timestamp': pd.to_datetime(snapshot['timestamp'], format='mixed'),
'volume_total': snapshot['market_stats']['volume_total'],
'contratos_total': snapshot['market_stats']['contratos_total'],
'pct_institucional': snapshot['fluxo']['percentual_institucional'],
'pct_varejo': snapshot['fluxo']['percentual_varejo'],
'pct_outros': snapshot['fluxo']['percentual_outros'],
'dominio': snapshot['fluxo']['dominio'],
'temperatura': snapshot['temperatura']['temperatura_geral']['temperatura'],
'regime': snapshot['regime']['regime']
})
df_flow = pd.DataFrame(flow_data)
# Análise de domínio
dominio_counts = df_flow['dominio'].value_counts()
print("👑 DOMÍNIO DE MERCADO:")
dominio_emojis = {'institucional': '🏦', 'varejo': '🏪', 'equilibrado': '⚖️'}
for dominio, count in dominio_counts.items():
pct = (count / len(df_flow)) * 100
emoji = dominio_emojis.get(dominio, '❓')
print(f" {emoji} {dominio.title()}: {count} períodos ({pct:.1f}%)")
# Análise estatística dos fluxos
print(f"\n📊 ESTATÍSTICAS DE FLUXO:")
print(f" Institucional - Média: {df_flow['pct_institucional'].mean():.1f}% | "
f"Desvio: ±{df_flow['pct_institucional'].std():.1f}%")
print(f" Varejo - Média: {df_flow['pct_varejo'].mean():.1f}% | "
f"Desvio: ±{df_flow['pct_varejo'].std():.1f}%")
print(f" Outros - Média: {df_flow['pct_outros'].mean():.1f}% | "
f"Desvio: ±{df_flow['pct_outros'].std():.1f}%")
# Detectar extremos
max_inst = df_flow['pct_institucional'].max()
max_varejo = df_flow['pct_varejo'].max()
print(f"\n🔥 EXTREMOS DETECTADOS:")
print(f" Maior domínio institucional: {max_inst:.1f}%")
print(f" Maior domínio varejo: {max_varejo:.1f}%")
if max_inst > 60:
print(" 💡 Forte pressão institucional detectada!")
if max_varejo > 40:
print(" 💡 Forte atividade de varejo detectada!")
# Correlação fluxo vs temperatura
if len(df_flow) > 2:
corr_inst_temp = df_flow['pct_institucional'].corr(df_flow['temperatura'])
corr_varejo_temp = df_flow['pct_varejo'].corr(df_flow['temperatura'])
print(f"\n🌡️ CORRELAÇÃO COM TEMPERATURA:")
print(f" Institucional vs Temp: {corr_inst_temp:+.3f}")
print(f" Varejo vs Temp: {corr_varejo_temp:+.3f}")
if abs(corr_inst_temp) > 0.5:
direction = "positiva" if corr_inst_temp > 0 else "negativa"
print(f" 💡 Correlação {direction} forte entre fluxo institucional e temperatura!")
# Salvar gráfico se solicitado
if plot_dir:
self._plot_flow_patterns(df_flow, plot_dir, session_id)
def _detect_anomalies(self, data, session_id):
"""Detecta anomalias e padrões incomuns"""
print("\n🚨 DETECÇÃO DE ANOMALIAS")
print("-" * 50)
anomalies_found = []
# 1. Anomalias de volume
if 'trades' in data:
df_trades = data['trades']
# Trades muito grandes
volume_threshold = df_trades['volume'].quantile(0.95)
big_trades = df_trades[df_trades['volume'] > volume_threshold]
if len(big_trades) > 0:
anomalies_found.append(f"💰 {len(big_trades)} trades com volume > R$ {volume_threshold:,.0f}")
# Maior trade
biggest_trade = big_trades.loc[big_trades['volume'].idxmax()]
anomalies_found.append(f" 🔥 Maior trade: R$ {biggest_trade['volume']:,.0f} às {biggest_trade['timestamp'].strftime('%H:%M:%S')}")
# 2. Anomalias de temperatura
if 'temperature' in data and len(data['temperature']) > 2:
temperatures = [t['temperatura_geral']['temperatura'] for t in data['temperature']]
temp_mean = np.mean(temperatures)
temp_std = np.std(temperatures)
# Temperaturas extremas (2 desvios padrão)
temp_threshold = temp_mean + 2 * temp_std
extreme_temps = [t for t in temperatures if t > temp_threshold]
if extreme_temps:
anomalies_found.append(f"🌡️ {len(extreme_temps)} períodos com temperatura extrema (>{temp_threshold:.1f}°)")
# 3. Anomalias de regime
if 'regimes' in data and len(data['regimes']) > 3:
regimes = [r['regime'] for r in data['regimes']]
confidences = [r['confianca'] for r in data['regimes']]
# Confiança muito baixa
low_confidence = [c for c in confidences if c < 40]
if low_confidence:
anomalies_found.append(f"❓ {len(low_confidence)} análises com baixa confiança (<40%)")
# Mudanças muito frequentes
changes = sum(1 for i in range(1, len(regimes)) if regimes[i] != regimes[i-1])
if changes > len(regimes) * 0.5: # Mais de 50% de mudanças
anomalies_found.append(f"🔄 Mercado muito instável: {changes} mudanças de regime")
# 4. Anomalias de corretora
if 'trades' in data:
# Corretora com atividade concentrada
broker_activity = data['trades'].groupby('buy_agent')['volume'].sum()
total_volume = broker_activity.sum()
for agent_id, volume in broker_activity.items():
if volume / total_volume > 0.3: # Mais de 30% do volume total
agent_name = data['trades'][data['trades']['buy_agent'] == agent_id]['buy_nome'].iloc[0]
pct = (volume / total_volume) * 100
anomalies_found.append(f"🏢 {agent_name} concentra {pct:.1f}% do volume total")
# Mostrar anomalias encontradas
if anomalies_found:
print("⚠️ ANOMALIAS DETECTADAS:")
for i, anomaly in enumerate(anomalies_found, 1):
print(f" {i}. {anomaly}")
else:
print("✅ Nenhuma anomalia significativa detectada")
def _detect_broker_anomalies(self, df_brokers):
"""Detecta anomalias específicas no comportamento das corretoras"""
print(f"\n🕵️ ANOMALIAS DE COMPORTAMENTO:")
anomalies = []
# Corretora com bias extremo (só compra ou só venda)
extreme_bias = df_brokers[abs(df_brokers['bias_compra_venda']) > 0.8]
for _, broker in extreme_bias.iterrows():
bias = broker['bias_compra_venda']
direction = "APENAS COMPRA" if bias > 0.8 else "APENAS VENDA" if bias < -0.8 else "NEUTRO"
anomalies.append(f"{broker['nome']}: {direction} (bias: {bias:+.2f})")
# Corretora com volume médio muito alto
high_vol_threshold = df_brokers['volume_medio_trade'].quantile(0.9)
high_vol_brokers = df_brokers[df_brokers['volume_medio_trade'] > high_vol_threshold]
for _, broker in high_vol_brokers.iterrows():
vol = broker['volume_medio_trade']
anomalies.append(f"{broker['nome']}: Volume médio muito alto (R$ {vol:,.0f}/trade)")
# Mostrar anomalias
if anomalies:
for anomaly in anomalies[:5]: # Mostrar apenas top 5
print(f" ⚠️ {anomaly}")
else:
print(" ✅ Comportamento normal das corretoras")
# Métodos de plotagem (placeholder - podem ser expandidos)
def _plot_temperature_correlation(self, df_temp, merged, plot_dir, session_id):
"""Plota correlação temperatura vs atividade"""
try:
fig, axes = plt.subplots(2, 2, figsize=(15, 10))
fig.suptitle(f'Análise de Temperatura - Sessão {session_id}', fontsize=16)
# Plot 1: Temperatura ao longo do tempo
axes[0,0].plot(df_temp['timestamp'], df_temp['temperatura'])
axes[0,0].set_title('Temperatura ao Longo do Tempo')
axes[0,0].set_ylabel('Temperatura (°)')
# Plot 2: Distribuição por classificação
temp_counts = df_temp['classificacao'].value_counts()
axes[0,1].bar(temp_counts.index, temp_counts.values)
axes[0,1].set_title('Distribuição por Classificação')
axes[0,1].set_ylabel('Frequência')
# Plot 3: Volume vs Temperatura (se dados disponíveis)
if merged is not None and len(merged) > 1:
axes[1,0].scatter(merged['temperatura'], merged['volume'])
axes[1,0].set_title('Volume vs Temperatura')
axes[1,0].set_xlabel('Temperatura (°)')
axes[1,0].set_ylabel('Volume (R$)')
# Plot 4: Box plot temperatura por classificação
if len(df_temp) > 1:
df_temp.boxplot(column='temperatura', by='classificacao', ax=axes[1,1])
axes[1,1].set_title('Temperatura por Classificação')
plt.tight_layout()
plt.savefig(plot_dir / f'temperature_analysis_{session_id}.png', dpi=300, bbox_inches='tight')
plt.close()
except Exception as e:
print(f"Erro ao criar gráfico de temperatura: {e}")
def _plot_broker_analysis(self, df_brokers, plot_dir, session_id):
"""Plota análise de corretoras"""
try:
fig, axes = plt.subplots(2, 2, figsize=(15, 10))
fig.suptitle(f'Análise de Corretoras - Sessão {session_id}', fontsize=16)
# Plot 1: Top 10 por volume
top10 = df_brokers.nlargest(10, 'volume_total')
axes[0,0].barh(range(len(top10)), top10['volume_total'])
axes[0,0].set_yticks(range(len(top10)))
axes[0,0].set_yticklabels([nome[:15] + '...' if len(nome) > 15 else nome
for nome in top10['nome']], fontsize=8)
axes[0,0].set_title('Top 10 Corretoras por Volume')
axes[0,0].set_xlabel('Volume (R$)')
# Plot 2: Distribuição por categoria
cat_counts = df_brokers['categoria'].value_counts()
axes[0,1].pie(cat_counts.values, labels=cat_counts.index, autopct='%1.1f%%')
axes[0,1].set_title('Distribuição por Categoria')
# Plot 3: Bias Compra/Venda
axes[1,0].hist(df_brokers['bias_compra_venda'], bins=20)
axes[1,0].set_title('Distribuição de Bias Compra/Venda')
axes[1,0].set_xlabel('Bias (-1=só venda, +1=só compra)')
axes[1,0].set_ylabel('Frequência')
# Plot 4: Volume vs Número de Trades
axes[1,1].scatter(df_brokers['num_trades'], df_brokers['volume_total'])
axes[1,1].set_title('Volume vs Número de Trades')
axes[1,1].set_xlabel('Número de Trades')
axes[1,1].set_ylabel('Volume Total (R$)')
plt.tight_layout()
plt.savefig(plot_dir / f'broker_analysis_{session_id}.png', dpi=300, bbox_inches='tight')
plt.close()
except Exception as e:
print(f"Erro ao criar gráfico de corretoras: {e}")
def _plot_temporal_patterns(self, df_trades, hourly_stats, plot_dir, session_id):
"""Plota padrões temporais"""
try:
fig, axes = plt.subplots(2, 2, figsize=(15, 10))
fig.suptitle(f'Padrões Temporais - Sessão {session_id}', fontsize=16)
# Plot 1: Volume por hora
axes[0,0].bar(hourly_stats.index, hourly_stats[('volume', 'sum')])
axes[0,0].set_title('Volume por Hora')
axes[0,0].set_xlabel('Hora')
axes[0,0].set_ylabel('Volume (R$)')
# Plot 2: Número de trades por hora
axes[0,1].bar(hourly_stats.index, hourly_stats[('volume', 'count')])
axes[0,1].set_title('Número de Trades por Hora')
axes[0,1].set_xlabel('Hora')
axes[0,1].set_ylabel('Número de Trades')
# Plot 3: Preço médio por hora
axes[1,0].plot(hourly_stats.index, hourly_stats[('price', 'mean')])
axes[1,0].set_title('Preço Médio por Hora')
axes[1,0].set_xlabel('Hora')
axes[1,0].set_ylabel('Preço Médio')
# Plot 4: Timeline dos trades
axes[1,1].scatter(df_trades['timestamp'], df_trades['price'], alpha=0.6, s=10)
axes[1,1].set_title('Timeline dos Trades')
axes[1,1].set_xlabel('Horário')
axes[1,1].set_ylabel('Preço')
plt.tight_layout()
plt.savefig(plot_dir / f'temporal_patterns_{session_id}.png', dpi=300, bbox_inches='tight')
plt.close()
except Exception as e:
print(f"Erro ao criar gráfico temporal: {e}")
def _plot_regime_patterns(self, df_regimes, plot_dir, session_id):
"""Plota padrões de regime"""
try:
fig, axes = plt.subplots(2, 2, figsize=(15, 10))
fig.suptitle(f'Padrões de Regime - Sessão {session_id}', fontsize=16)
# Plot 1: Timeline de regimes
regime_colors = {
'trending_bull': 'green',
'trending_bear': 'red',
'sideways': 'blue',
'alta_volatilidade': 'orange'
}
for i, regime in enumerate(df_regimes['regime'].unique()):
mask = df_regimes['regime'] == regime
axes[0,0].scatter(df_regimes[mask]['timestamp'], [i]*sum(mask),
label=regime, color=regime_colors.get(regime, 'gray'))
axes[0,0].set_title('Timeline de Regimes')
axes[0,0].set_ylabel('Regime')
axes[0,0].legend()
# Plot 2: Distribuição de regimes
regime_counts = df_regimes['regime'].value_counts()
axes[0,1].pie(regime_counts.values, labels=regime_counts.index, autopct='%1.1f%%')
axes[0,1].set_title('Distribuição de Regimes')
# Plot 3: Confiança vs Temperatura
axes[1,0].scatter(df_regimes['temp_mercado'], df_regimes['confianca'])
axes[1,0].set_title('Confiança vs Temperatura')
axes[1,0].set_xlabel('Temperatura (°)')
axes[1,0].set_ylabel('Confiança (%)')
# Plot 4: Confiança por regime
df_regimes.boxplot(column='confianca', by='regime', ax=axes[1,1])
axes[1,1].set_title('Confiança por Regime')
plt.tight_layout()
plt.savefig(plot_dir / f'regime_patterns_{session_id}.png', dpi=300, bbox_inches='tight')
plt.close()
except Exception as e:
print(f"Erro ao criar gráfico de regimes: {e}")
def _plot_flow_patterns(self, df_flow, plot_dir, session_id):
"""Plota padrões de fluxo"""
try:
fig, axes = plt.subplots(2, 2, figsize=(15, 10))
fig.suptitle(f'Padrões de Fluxo - Sessão {session_id}', fontsize=16)
# Plot 1: Evolução dos fluxos
axes[0,0].plot(df_flow['timestamp'], df_flow['pct_institucional'], label='Institucional')
axes[0,0].plot(df_flow['timestamp'], df_flow['pct_varejo'], label='Varejo')
axes[0,0].plot(df_flow['timestamp'], df_flow['pct_outros'], label='Outros')
axes[0,0].set_title('Evolução dos Fluxos')
axes[0,0].set_ylabel('Percentual (%)')
axes[0,0].legend()
# Plot 2: Distribuição de domínio
dominio_counts = df_flow['dominio'].value_counts()
axes[0,1].pie(dominio_counts.values, labels=dominio_counts.index, autopct='%1.1f%%')
axes[0,1].set_title('Distribuição de Domínio')
# Plot 3: Fluxo Institucional vs Temperatura
axes[1,0].scatter(df_flow['temperatura'], df_flow['pct_institucional'])
axes[1,0].set_title('Fluxo Institucional vs Temperatura')
axes[1,0].set_xlabel('Temperatura (°)')
axes[1,0].set_ylabel('% Institucional')
# Plot 4: Comparação Institucional vs Varejo
axes[1,1].scatter(df_flow['pct_institucional'], df_flow['pct_varejo'])
axes[1,1].set_title('Institucional vs Varejo')
axes[1,1].set_xlabel('% Institucional')
axes[1,1].set_ylabel('% Varejo')
axes[1,1].plot([0, 100], [100, 0], 'r--', alpha=0.5) # Linha diagonal
plt.tight_layout()
plt.savefig(plot_dir / f'flow_patterns_{session_id}.png', dpi=300, bbox_inches='tight')
plt.close()
except Exception as e:
print(f"Erro ao criar gráfico de fluxo: {e}")
def compare_sessions(self, session_ids):
"""Compara padrões entre múltiplas sessões"""
print(f"🔄 COMPARAÇÃO ENTRE SESSÕES")
print("="*80)
session_summaries = {}
for session_id in session_ids:
try:
data = self.load_session_data(session_id)
# Resumo básico
summary = {
'session_id': session_id,
'num_trades': len(data['trades']) if 'trades' in data else 0,
'total_volume': data['trades']['volume'].sum() if 'trades' in data else 0,
'num_regimes': len(data['regimes']) if 'regimes' in data else 0,
'temperatura_media': np.mean([t['temperatura_geral']['temperatura'] for t in data['temperature']]) if 'temperature' in data else 0
}
session_summaries[session_id] = summary
except Exception as e:
print(f"❌ Erro ao processar sessão {session_id}: {e}")
# Comparar métricas
if len(session_summaries) > 1:
df_comparison = pd.DataFrame(list(session_summaries.values()))
print("\n📊 COMPARAÇÃO DE MÉTRICAS:")
print(df_comparison.to_string(index=False))
# Encontrar sessão mais ativa
most_active = df_comparison.loc[df_comparison['total_volume'].idxmax()]
print(f"\n🏆 SESSÃO MAIS ATIVA: {most_active['session_id']}")
print(f" Volume: R$ {most_active['total_volume']:,.0f}")
print(f" Trades: {most_active['num_trades']:,}")
def main():
"""Função principal"""
parser = argparse.ArgumentParser(description='Análise de Padrões - Trading Data')
parser.add_argument('--session', type=str, help='ID da sessão específica')
parser.add_argument('--compare', nargs='+', help='IDs das sessões para comparar')
parser.add_argument('--no-plots', action='store_true', help='Não gerar gráficos')
parser.add_argument('--data-dir', default='./data', help='Diretório dos dados')
args = parser.parse_args()
analyzer = PatternAnalyzer(args.data_dir)
# Listar sessões disponíveis
if len(analyzer.sessions) == 0:
print("❌ Nenhuma sessão encontrada! Execute o profit_dll_monitor.py primeiro.")
return
print(f"📋 SESSÕES DISPONÍVEIS: {list(analyzer.sessions.keys())}")
if args.compare:
# Comparar sessões
analyzer.compare_sessions(args.compare)
elif args.session:
# Analisar sessão específica
analyzer.analyze_session_patterns(args.session, save_plots=not args.no_plots)
else:
# Analisar sessão mais recente
latest_session = max(analyzer.sessions.keys())
print(f"\n🔍 Analisando sessão mais recente: {latest_session}")
analyzer.analyze_session_patterns(latest_session, save_plots=not args.no_plots)
if __name__ == "__main__":
main()