Plataforma de previsão de mercado

O método de um analista, executado por máquina

O trabalho do nosso cliente se apoia num sistema pessoal e detalhado de leitura dos mercados, construído ao longo de anos de prática. A CodeLeap transformou esse método em modelos supervisionados de machine learning treinados com o próprio histórico rotulado do analista e construiu a plataforma em torno deles — um pipeline diário, validação de precisão por indicador e uma API pela qual as previsões podem ser servidas e reaproveitadas.

Plataforma de previsão de mercado — estudo de caso: Machine learning

O olhar de um analista, em escala.

A CodeLeap treinou modelos supervisionados com o próprio histórico rotulado do analista, e não com definições de indicadores de livro, já que o valor comercial está em reproduzir aquela interpretação específica, e validou a precisão indicador por indicador, em vez de usar uma única pontuação agregada.

Nosso cliente é uma empresa de análise financeira cujo trabalho se apoia num sistema pessoal e detalhado de leitura dos mercados, construído ao longo de anos de prática. Todos os dias, um analista percorria os mesmos gráficos, lendo padrões de tendência, médias móveis e um conjunto de osciladores, e marcando a direção de cada um a olho. O método era comprovado e o julgamento por trás dele era valioso, mas executá-lo manualmente era lento, repetitivo e impossível de escalar além do que uma pessoa conseguia acompanhar. A CodeLeap firmou parceria com a empresa para transformar esse método em modelos supervisionados de machine learning treinados com o próprio histórico rotulado do analista e, depois, construir a plataforma em torno deles, com um pipeline diário de séries temporais, validação de precisão por indicador e uma API pela qual as previsões podem ser servidas e reaproveitadas.

Funcionalidades do produto

Modelos de tendência e osciladores

Modelos supervisionados treinados com o próprio histórico rotulado do analista, que aprendem a ler a ação do preço, as médias móveis e cada oscilador do jeito que o analista os leria a olho. Treinar com os rótulos do próprio cliente, e não com uma definição genérica de cada sinal, foi central na abordagem, porque o valor comercial do sistema está em reproduzir a interpretação específica dele, e não a de um livro.
Pipeline diário de séries temporais

Um pipeline que coleta os dados de preço e indicadores de cada dia, passa-os pelos modelos e grava os rótulos resultantes direto na planilha de trabalho do cliente, para que a rotina diária de ler e rotular termine sozinha antes de alguém se sentar para fazê-la. Eliminar a cópia manual entre sistemas também eliminou toda uma categoria de erros de transcrição, num processo em que um único indicador rotulado errado muda a conclusão.
Validação de precisão por indicador

Os rótulos dos modelos são comparados com os do analista indicador por indicador, e não por uma única pontuação agregada, para que a precisão seja demonstrada antes de qualquer resultado ser usado. Essa granularidade faz diferença na prática, pois mostra exatamente quais leituras os modelos já dominam e quais ainda pedem um olhar humano, e dá ao cliente uma base sólida para confiar no sistema.
API de previsões

As previsões são servidas por uma API limpa e bem documentada, permitindo que o cliente construa seus próprios produtos e fluxos sobre a plataforma sem mexer nos modelos por baixo. Isso transforma o que começou como um exercício interno de eficiência numa capacidade que a empresa pode comercializar, e a separação entre a API e a camada de modelos permite retreinar e melhorar os modelos sem afetar nada construído acima deles.
Processamento de dados de séries temporais

Uma camada especializada de pré-processamento lida com o volume, o ruído e a não estacionariedade inerentes aos dados de mercado, limpando e organizando as entradas de cada dia para que os modelos recebam variáveis confiáveis, e não dados brutos. Boa parte da precisão do sistema final vem do cuidado tomado nesta etapa, antes que qualquer modelo veja os dados.
Otimização do custo computacional

A infraestrutura foi arquitetada do início ao fim para equilibrar precisão preditiva e custo computacional, de modo que a plataforma entregue bons resultados sem o gasto com cloud que o processamento contínuo de dados de mercado pode facilmente gerar. Para um sistema feito para rodar todos os dias, por tempo indeterminado, manter a conta saudável era tão importante quanto a própria precisão.

Desafio

O cliente tinha um método que funcionava e um analista que o aplicava com consistência, mas o método só conseguia andar na velocidade humana. Ler padrões de tendência, médias móveis e um conjunto completo de osciladores nos gráficos todos os dias, marcando a direção de cada um e registrando os resultados, consumia horas de atenção qualificada num trabalho essencialmente repetitivo e limitava o número de ativos que a empresa conseguia cobrir. Automatizar isso não era uma questão de aplicar análise técnica padrão, porque o valor estava na interpretação específica desse analista para cada sinal, o que significava que os modelos tinham de aprender com os rótulos dele, e não com uma regra geral. Os dados aumentavam a dificuldade, já que séries temporais financeiras são ruidosas, não estacionárias e influenciadas por inúmeros fatores externos, o que torna esta uma das aplicações mais exigentes de machine learning. A empresa precisava de uma plataforma capaz de reproduzir seu julgamento com fidelidade suficiente para inspirar confiança, provar que fazia isso, rodar de forma confiável todos os dias e continuar acessível de operar à medida que a cobertura crescesse.

Solução

A CodeLeap converteu o método de leitura de gráficos do cliente num conjunto de modelos supervisionados de machine learning treinados diretamente com o histórico rotulado do analista e, em seguida, construiu a plataforma que os coloca para trabalhar. Todos os dias, o pipeline reúne os dados mais recentes de preço e indicadores, passa-os pelos modelos e grava os rótulos na planilha de trabalho do cliente, então a rotina que antes ocupava a manhã de um analista agora termina sozinha. A precisão é validada indicador por indicador em relação às leituras do próprio analista, o que significa que a confiança no sistema é comprovada, e não presumida, e os mesmos modelos são expostos por uma API sobre a qual o cliente pode construir produtos. A arquitetura equilibra desempenho preditivo e custo computacional para que a plataforma continue comercialmente viável à medida que o volume de dados e a cobertura aumentam. O resultado é um julgamento especializado escalado muito além do que um único analista conseguiria acompanhar, aplicado com consistência todos os dias e disponível como um serviço que a empresa pode continuar desenvolvendo.

Stack tecnológica

A tecnologia escolhida é a nossa especialidade, permitindo desenvolver rapidamente modelos de machine learning de alto desempenho e uma infraestrutura confiável.

Backend

Python, Django, PostgreSQL
Machine learning

Modelos supervisionados treinados sob medida, análise de indicadores técnicos, validação de precisão por indicador
Hospedagem

AWS