Este é um sistema completo (PROTÓTIPO) de trading algorítmico que utiliza machine learning para identificar padrões de mercado e gerar sinais de compra/venda. O sistema está sendo desenvolvido com foco em swing trading utilizando análise técnica avançada e indicadores técnicos baseados na Teoria de Ondas de Elliott (foco do nosso grupo, grupo 1) e outras. O projeto é produto do Projeto de Iniciação Científica do Professor Daves Martins, do UniAcademia.

Este projeto implementa estratégias de swing trading baseadas em análise técnica quantitativa e machine learning. A base científica inclui:

• 📊 Análise Técnica: Indicadores e osciladores (RSI, MACD, Bollinger Bands)
• 🤖 Machine Learning: Classificação supervisionada com Random Forest
• 📈 Backtesting: Validação rigorosa de estratégias sem lookahead bias
• ⚖️ Gestão de Risco: Stop loss automático e position sizing
• 📖 Teoria de Mercados: Eficiência adaptativa e análise de padrões

Para uma compreensão aprofundada da teoria e metodologia científica implementada:

➡️ Consulte a Documentação Teórica Detalhada

A documentação inclui:

• Fundamentos matemáticos dos indicadores técnicos
• Algoritmos de machine learning aplicados
• Metodologias de validação estatística
• Princípios de risk management quantitativo
• Referências acadêmicas e científicas

⚠️ Nota Importante: Os modelos atuais são implementações de exemplo para demonstração do pipeline completo. Na próxima fase do projeto, os modelos serão completamente redesenhados seguindo rigorosamente os princípios teóricos e metodologias acadêmicas documentadas em docs/teoria.md, resultando em modelos significativamente mais robustos e otimizados para performance real de trading. Os modelos atuais estão com péssimo desempenho, e só serviram para demonstrar a pipeline completa.

🚀 Próximas Implementações Baseadas na Teoria Acadêmica:

• Algoritmos avançados de machine learning validados pela literatura científica
• Features de mercado baseadas em pesquisas quantitativas comprovadas
• Modelos de ensemble com validação estatística rigorosa
• Estratégias de risk management fundamentadas em teoria financeira
• Backtesting com metodologias estatisticamente robustasdas de Elliott**.

⚠️ ATENÇÃO: Os modelos presentes neste repositório são APENAS PARA DEMONSTRAÇÃO e não devem ser utilizados para trading real. O desempenho atual é intencionalmente baixo para servir como exemplo de implementação e estrutura de código. Para uso em produção, seria necessário:

• Dados de maior qualidade e volume
• Features mais sofisticadas
• Tuning extensivo de hiperparâmetros
• Validação rigorosa com dados out-of-sample
• Gerenciamento adequado de risco

swing_trade_e_machine_learning/
├── 📂 src/                     # Scripts principais
│   ├── coleta_dados.py         # Coleta de dados históricos
│   ├── preprocessamento.py     # Processamento e features
│   ├── treinamento_modelo.py   # Treinamento ML
│   ├── backtest_engine.py      # Engine de backtesting
│   ├── analise_resultados.py   # Análise de resultados
│   └── __init__.py
├── 📂 models/                  # Modelos treinados (.joblib)
│   ├── modelo_BBAS3_1d.joblib  # Modelo treinado Banco do Brasil
│   ├── modelo_BOVA11_1d.joblib # Modelo treinado Ibovespa ETF
│   ├── modelo_PETR4_1d.joblib  # Modelo treinado Petrobras
│   └── modelo_VALE3_1d.joblib  # Modelo treinado Vale
├── 📂 results/                 # Resultados organizados
│   ├── backtest_reports/       # Relatórios detalhados de backtest
│   │   ├── resultados_backtest_BBAS3_1d.txt
│   │   ├── resultados_backtest_BOVA11_1d.txt
│   │   ├── resultados_backtest_PETR4_1d.txt
│   │   └── resultados_backtest_VALE3_1d.txt
│   ├── logs/                   # Logs de execução
│   │   ├── analise_resultados.log
│   │   ├── backtesting.log
│   │   ├── coleta_dados.log
│   │   ├── preprocessamento.log
│   │   └── treinamento_modelo.log
│   └── resultados_backtest.csv # Consolidação dos resultados
├── 📂 docs/                    # Documentação
│   └── teoria.md               # Fundamentos teóricos e metodologia
├── 📂 tests/                   # Scripts de teste e validação
│   ├── teste_integracao.py     # Teste de integração do sistema
│   ├── demo_refinamentos.py    # Demonstração de refinamentos
│   └── __init__.py
├── 📂 scripts/                 # Scripts auxiliares
│   └── __init__.py
├── 📂 dados_brutos/            # Dados históricos originais (20 arquivos)
│   ├── BBAS3_1d.csv, BBAS3_4h.csv, BBAS3_15m.csv, etc.
│   ├── BOVA11_1d.csv, BOVA11_4h.csv, BOVA11_15m.csv, etc.
│   ├── PETR4_1d.csv, PETR4_4h.csv, PETR4_15m.csv, etc.
│   └── VALE3_1d.csv, VALE3_4h.csv, VALE3_15m.csv, etc.
├── 📂 dados_processados/       # Dados com features técnicas (20 arquivos)
│   ├── BBAS3_1d_processed.csv, BBAS3_4h_processed.csv, etc.
│   ├── BOVA11_1d_processed.csv, BOVA11_4h_processed.csv, etc.
│   ├── PETR4_1d_processed.csv, PETR4_4h_processed.csv, etc.
│   └── VALE3_1d_processed.csv, VALE3_4h_processed.csv, etc.
├── config.json                 # Configurações centralizadas
├── requirements.txt            # Dependências
├── .gitignore                 # Arquivos ignorados
└── README.md                  # Este arquivo

# Clonar repositório
git clone https://github.com/YanCotta/swing_trade_e_machine_learning.git
cd swing_trade_e_machine_learning

# Criar ambiente virtual
python -m venv venv
source venv/bin/activate  # Linux/Mac
# ou
venv\Scripts\activate     # Windows

# Instalar dependências
pip install -r requirements.txt

Execute os scripts na ordem correta:

# 1. Coleta de dados históricos
cd src
python coleta_dados.py

# 2. Processamento e criação de features
python preprocessamento.py

# 3. Treinamento dos modelos
python treinamento_modelo.py

# 4. Backtesting das estratégias
python backtest_engine.py

# 5. Análise dos resultados
python analise_resultados.py

# Executar testes de integração
cd tests
python teste_integracao.py

# Verificar refinamentos
python demo_refinamentos.py

O arquivo config.json centraliza todas as configurações:

{
  "ativos": ["PETR4", "VALE3", "BBAS3", "BOVA11"],
  "timeframes": {
    "1d": "2y",
    "4h": "60d", 
    "15m": "30d",
    "5m": "10d",
    "1m": "5d"
  },
  "modelo": {
    "tipo": "random_forest",
    "parametros": {
      "n_estimators": 100,
      "max_depth": 10,
      "min_samples_split": 5,
      "random_state": 42
    }
  },
  "zigzag_deviation": 3.0,
  "target_shift": -1,
  "backtesting": {
    "capital_inicial": 10000,
    "stop_loss": 0.05,
    "take_profit": 0.10,
    "taxa_corretagem": 0.001
  }
}

• Download automático via yfinance
• Múltiplos timeframes (1m, 5m, 15m, 4h, 1d)
• Dados de ações brasileiras (B3)
• Configuração flexível via JSON

• Médias Móveis: SMA 20 e 50 períodos
• Osciladores: RSI, Stochastic %K e %D
• Momentum: MACD, MACD Signal, MACD Histogram
• Volatilidade: ATR, Bollinger Bands (Upper, Middle, Lower)
• Volume: Volume Delta simplificado
• Retorno: Retorno percentual de 1 período

• Modelos Suportados: Random Forest, XGBoost, LightGBM
• Classificação: Impulso de Alta (1), Impulso de Baixa (2), Correção/Neutro (0)
• Features: 14 indicadores técnicos
• Validação: Split temporal (80/20) para evitar data leakage
• Rotulagem: Algoritmo ZigZag como proxy para Ondas de Elliott

• Engine próprio livre de lookahead bias
• Métricas completas: Sharpe, Sortino, Max Drawdown
• Gestão de risco: Stop Loss e Take Profit configuráveis
• Análise de trades individuais
• Exportação detalhada de resultados

Pipeline Completo Executado com Sucesso:

• 🔢 Total de Trades: 437 operações executadas
• 📊 Retorno Consolidado: +38,86%
• 🎯 Win Rate Médio: 48,2%

• Gráficos de feature importance automáticos
• Métricas de performance detalhadas
• Análise de distribuição de classes
• Relatórios de problemas identificados
• Sugestões de melhorias automáticas

O sistema utiliza uma implementação manual do indicador ZigZag para identificar padrões baseados na Teoria das Ondas de Elliott:

1. Detecção de Topos e Fundos: Identifica pontos de reversão significativos baseados em desvio percentual configurável

2. Classificação de Movimentos:

   • Impulso de Alta (1): Movimentos de preço ascendente entre pontos de virada
   • Impulso de Baixa (2): Movimentos de preço descendente entre pontos de virada
   • Correção/Neutro (0): Períodos de consolidação (padrão)

3. Geração de Sinais:

   • Baseada na predição do modelo ML
   • Threshold de confiança configurável (padrão: 60%)
   • Validação temporal para evitar lookahead bias

Dados Brutos → Features Técnicas → Rotulagem ZigZag → Treinamento → Backtesting → Análise

• Accuracy: Precisão geral do modelo
• Precision/Recall: Por classe (Impulso Alta/Baixa/Neutro)
• F1-Score: Média harmônica de precisão e recall
• Classification Report: Relatório detalhado por classe
• Feature Importance: Ranking dos indicadores mais relevantes

• Retorno Total: Performance absoluta da estratégia
• Sharpe Ratio: Retorno ajustado ao risco
• Sortino Ratio: Foco no downside risk
• Max Drawdown: Maior perda consecutiva
• Win Rate: Percentual de trades vencedores
• Profit Factor: Razão lucro total/prejuízo total

📊 Consolidado:

• Capital Inicial: R$ 10.000,00
• Capital Final Médio: R$ 204,85 (-97.95%)
• Win Rate Médio: 56.1% ✅ Capacidade preditiva confirmada (MAS PESSÍMO DESEMPENHO GERAL)
• Total de Trades: 407

1. Win Rate Consistente: 56.1% demonstra capacidade preditiva real
2. Profit Factor Alto: Indica boa identificação de oportunidades
3. Sistema Robusto: Pipeline completo funcionando perfeitamente
4. Base Científica: Metodologia reproduzível e livre de bias

1. Paradoxo do Win Rate: Alto win rate mas retorno negativo

   • Causa: Trades lucrativos pequenos vs perdas grandes
   • Solução: Otimizar ratio Risk/Reward

2. Gestão de Risco:

   • Stop Loss muito restritivo (5%)
   • Take Profit subotimizado (10%)

3. Overtrading:

   • 101 trades/ativo em média
   • Causa: Sinais excessivos sem filtros adequados

Edite o config.json:

{
  "ativos": ["PETR4", "VALE3", "NOVO_ATIVO.SA"]
}

No arquivo src/preprocessamento.py, adicione novos indicadores:

def calcular_features_customizadas(df):
    # Seu indicador personalizado
    df['CUSTOM_INDICATOR'] = ...
    return df

No arquivo config.json:

{
  "modelo": {
    "tipo": "xgboost",
    "parametros": {
      "n_estimators": 200,
      "max_depth": 8,
      "learning_rate": 0.1
    }
  }
}

Todos os scripts geram logs detalhados organizados na estrutura:

results/
├── logs/                      # Logs de execução organizados
│   ├── coleta_dados.log       # Log da coleta de dados
│   ├── preprocessamento.log   # Log do processamento
│   ├── treinamento_modelo.log # Log do treinamento
│   ├── backtesting.log        # Log do backtesting
│   └── analise_resultados.log # Log da análise
└── backtest_reports/          # Relatórios detalhados por ativo
    ├── resultados_backtest_BBAS3_1d.txt
    ├── resultados_backtest_BOVA11_1d.txt
    ├── resultados_backtest_PETR4_1d.txt
    └── resultados_backtest_VALE3_1d.txt

🔍 Para debug detalhado:

• Consulte results/logs/ para logs de execução
• Verifique results/backtest_reports/ para análises individuais por ativo
• Use results/resultados_backtest.csv para consolidação geral

1. Não é Aconselhamento Financeiro: Este sistema é apenas educacional
2. Backtesting ≠ Performance Futura: Resultados passados não garantem resultados futuros
3. Dados Limitados: Utiliza apenas dados históricos de preços
4. Sem Análise Fundamentalista: Foco apenas em análise técnica
5. Custos de Transação: Considera apenas taxa de corretagem básica

• Stop Loss fixo (configurável)
• Take Profit fixo (configurável)
• Limite de capital por trade
• Position sizing baseado em capital disponível

Contribuições são bem-vindas! Por favor:

1. Fork o repositório
2. Crie uma branch para sua feature
3. Faça commit das mudanças
4. Abra um Pull Request

⚠️ AVISO LEGAL: Este sistema é destinado exclusivamente para fins educacionais e de pesquisa. Não constitui aconselhamento financeiro. O trading de ativos financeiros envolve riscos significativos de perda. Sempre consulte um profissional qualificado antes de tomar decisões de investimento.

Desenvolvido por: Grupo 1 Versão: 1.0 Última Atualização: 27 de Junho de 2025