Machine learning para trading
sem escrever Python.
Pipeline visual declarativo: arraste, conecte, configure. Feature engineering, cross-validation temporal, hyperparameter tuning e deploy — tudo no mesmo app, tudo composável.
Verida ML — visual declarative DAG, from raw data to materialized prediction
O fluxo do pipeline
Do dado bruto à predição materializada como indicador vivo.
Backends de modelo
Built-in ou custom. O framework é agnóstico ao algoritmo.
Gradient Boosting
gbdt Árvores de decisão em conjunto. Robusto, lida com não-linearidade. Via scikit-learn.
MLP
mlp Rede neural multicamada. Via PyTorch. Flexível para padrões complexos.
Random Forest
random_forest Ensemble de árvores independentes. Reduz variância, resistente a overfitting.
Centroide
centroide Classificador por distância de centroide. Simples, interpretável, sem dependências externas.
KNN
knn K-Nearest Neighbors. Classificação por proximidade no espaço de features.
K-Means
kmeans Clustering não-supervisionado. Agrupa padrões sem rótulo, útil para regimes.
Isolation Forest
isolation_forest Detecção de anomalias. Identifica outliers sem rotulagem prévia.
Linear
linear Regressão/classificação linear. Baseline interpretável, rápido de treinar.
+ Backends custom via script Python inline — defina treinar/inferir e use qualquer biblioteca.
Componentes do DAG
Cada nó é uma transformação. Componha como quiser.
Feature Engineering
Lags, transforms (log, sqrt, retorno_pct), interações (razão, produto, diferença).
Calendar Features
Hora do dia, dia da semana, codificação senoidal para ciclicidade.
Imputation
Preenchimento de NaN (média, mediana, zero, ffill, bfill). Causal, sem look-ahead.
Outlier Removal
Clipping por quantis empíricos. Remove extremos sem distorcer a distribuição.
Variance Threshold
Descarta features com variância zero. Elimina colunas que não agregam informação.
Correlation Filter
Mantém top-k features por correlação com alvo. Reduz multicolinearidade.
Cross-validation
K-fold temporal, walk-forward (expanding ou rolling), com embargo.
Hyperparameter Tuning
Grid search ou random search, com avaliação por métrica de ranking.
Labeling
Rotula como direção (+1/0/-1), retorno contínuo, ou combinação categórica.
ML não é oráculo
O pipeline otimiza sobre dados históricos. Melhor que intuição? Talvez. Melhor que overfitting manual? Certamente. Prevê o futuro? Não. Mercado é incognoscível.
O que o ML faz: encontra padrões no passado. O que você faz: decide se esses padrões importam.