Tipo de estratégia

Algoritmos de trading com aprendizado de máquina

Modelos ML de código aberto para finanças quantitativas

Os algoritmos de trading com aprendizado de máquina aplicam modelos de aprendizado estatístico (gradient boosting, redes neurais, Transformers) a séries temporais financeiras para prever movimentos de preços ou gerar sinais de trading. Essas implementações de código aberto cobrem formulações de regressão (alvo de preço) e classificação (direção).

13 algoritmos2 bibliotecas

Rede de algoritmos

Como os algoritmos ML se conectam entre bibliotecas

🧠ML Algorithms

🤖

Freqtrade9 algos

🔬

Microsoft Qlib6 algos

LightGBMRegressorintermediate

LightGBMClassifierintermediate

XGBoostRegressorintermediate

XGBoostClassifierintermediate

CatboostRegressorintermediate

PyTorchMLPRegressoradvanced

PyTorchTransformerRegressoradvanced

LGBModelintermediate

XGBModelintermediate

DNNModeladvanced

ALSTMadvanced

TFTModeladvanced

GATsadvanced

Pipeline de decisão de trading

Como os algoritmos ML cooperam num sistema de trading

📊

Market Data Input

Price, volume, indicators

OHLCV price data

Technical indicators

Feature engineering

🧠

ML Signal Generation

Model predictions

LightGBM/XGBoost regression

Transformer sequence modeling

MLP classification

📈

Entry Decision

Signal threshold filtering

Confidence score > 0.6

Direction: Long/Short

📉

Exit Strategy

Profit taking & stop loss

Take profit (fixed % or trailing)

Stop loss (ATR-based)

🛡️

Risk Management

Position sizing & portfolio

Position sizing (Kelly criterion)

Portfolio rebalancing

Comparação de algoritmos

Comparar algoritmos ML em dimensões-chave

Matriz de comparação de algoritmosClique numa coluna para expandir os detalhes

Métrica	LightGBMRegressorFreqtrade	LightGBMClassifierFreqtrade	XGBoostRegressorFreqtrade	XGBoostClassifierFreqtrade	CatboostRegressorFreqtrade	PyTorchMLPRegressorFreqtrade	PyTorchTransformerRegressorFreqtrade	LGBModelQlib (Microsoft)	XGBModelQlib (Microsoft)	DNNModelQlib (Microsoft)	ALSTMQlib (Microsoft)	TFTModelQlib (Microsoft)	GATsQlib (Microsoft)
🎯Complexidade	⭐⭐⭐intermediate	⭐⭐⭐intermediate	⭐⭐⭐intermediate	⭐⭐⭐intermediate	⭐⭐⭐intermediate	⭐⭐⭐⭐advanced	⭐⭐⭐⭐advanced	⭐⭐⭐intermediate	⭐⭐⭐intermediate	⭐⭐⭐⭐advanced	⭐⭐⭐⭐advanced	⭐⭐⭐⭐advanced	⭐⭐⭐⭐advanced
📈Tipo de previsão	Regressão	Classificação	Regressão	Classificação	Regressão	Regressão	Regressão	Misto	Misto	Misto	Sequência	Misto	Misto
⚡Velocidade de treino	⚡⚡⚡	⚡⚡⚡	⚡⚡⚡	⚡⚡⚡	⚡⚡	⚡⚡	⚡	⚡⚡	⚡⚡	⚡⚡	⚡	⚡⚡	⚡⚡
🎯Precisão	📊📊📊	📊📊📊	📊📊📊	📊📊📊	📊📊📊	📊📊📊	📊📊📊📊	📊📊	📊📊	📊📊	📊📊📊	📊📊	📊📊📊📊
💡Ideal para	Dados tabulares	Dados tabulares	Dados tabulares	Dados tabulares	Uso geral	Padrões não lineares	Padrões de séries temporais	Uso geral	Uso geral	Uso geral	Dados sequenciais	Uso geral	Relações em grafo

Freqtrade

LightGBMRegressor

Freqtrade

Aprendizado de máquinaintermediate

Gradient boosting regression model for price movement prediction using LightGBM.

Velocidade⚡⚡⚡

Precisão📊📊📊

Parâmetros principais

n_estimators	1000	Number of boosting rounds
learning_rate	0.01	Step size shrinkage

Fonte:freqai/prediction_models/LightGBMRegressor.py

LightGBMClassifier

Freqtrade

Aprendizado de máquinaintermediate

Gradient boosting classification model for directional prediction (up/down/neutral).

Velocidade⚡⚡⚡

Precisão📊📊📊

Parâmetros principais

n_estimators

1000

Number of boosting rounds

Fonte:freqai/prediction_models/LightGBMClassifier.py

XGBoostRegressor

Freqtrade

Aprendizado de máquinaintermediate

XGBoost-based regression model for continuous value prediction.

Velocidade⚡⚡⚡

Precisão📊📊📊

Parâmetros principais

n_estimators	1000	Number of boosting rounds
max_depth	6	Maximum tree depth

Fonte:freqai/prediction_models/XGBoostRegressor.py

XGBoostClassifier

Freqtrade

Aprendizado de máquinaintermediate

XGBoost-based classification model for directional prediction.

Velocidade⚡⚡⚡

Precisão📊📊📊

Parâmetros principais

n_estimators

1000

Number of boosting rounds

Fonte:freqai/prediction_models/XGBoostClassifier.py

CatboostRegressor

Freqtrade

Aprendizado de máquinaintermediate

CatBoost gradient boosting model with native categorical feature support.

Velocidade⚡⚡

Precisão📊📊📊

Parâmetros principais

iterations

1000

Number of boosting iterations

Fonte:freqai/prediction_models/CatboostRegressor.py

PyTorchMLPRegressor

Freqtrade

Aprendizado de máquinaadvanced

Multi-layer perceptron neural network for regression-based price prediction.

Velocidade⚡⚡

Precisão📊📊📊

Parâmetros principais

hidden_dim	128	Hidden layer dimension
dropout_percent	0.2	Dropout rate

Fonte:freqai/prediction_models/PyTorchMLPRegressor.py

PyTorchTransformerRegressor

Freqtrade

Aprendizado de máquinaadvanced

Transformer architecture for time-series regression using self-attention mechanism.

Velocidade⚡

Precisão📊📊📊📊

Parâmetros principais

num_heads	8	Number of attention heads
num_layers	2	Number of transformer layers

Fonte:freqai/prediction_models/PyTorchTransformerRegressor.py

Qlib (Microsoft)

LGBModel

Qlib (Microsoft)

Aprendizado de máquinaintermediate

LightGBM model for stock return prediction using technical and fundamental features.

Velocidade⚡⚡

Precisão📊📊📊

Parâmetros principais

num_leaves	31	Maximum number of leaves
learning_rate	0.1	Boosting learning rate

Fonte:qlib/contrib/model/gbdt.py

XGBModel

Qlib (Microsoft)

Aprendizado de máquinaintermediate

XGBoost model for stock return prediction.

Velocidade⚡⚡

Precisão📊📊📊

Fonte:qlib/contrib/model/xgboost.py

DNNModel

Qlib (Microsoft)

Aprendizado de máquinaadvanced

Deep neural network for nonlinear feature extraction and return prediction.

Velocidade⚡⚡

Precisão📊📊📊

Parâmetros principais

hidden_size

256

Hidden layer size

Fonte:qlib/contrib/model/pytorch_nn.py

ALSTM

Qlib (Microsoft)

Aprendizado de máquinaadvanced

Attention-based LSTM for sequential stock data modeling with attention mechanism.

Velocidade⚡

Precisão📊📊📊

Parâmetros principais

hidden_size	64	LSTM hidden size
num_layers	2	Number of LSTM layers

Fonte:qlib/contrib/model/pytorch_alstm.py

TFTModel

Qlib (Microsoft)

Aprendizado de máquinaadvanced

Temporal Fusion Transformer combining static and temporal features for multi-horizon prediction.

Velocidade⚡⚡

Precisão📊📊📊

Fonte:qlib/contrib/model/pytorch_tft.py

GATs

Qlib (Microsoft)

Aprendizado de máquinaadvanced

Graph Attention Networks modeling stock relationships for cross-stock prediction.

Velocidade⚡⚡

Precisão📊📊📊

Fonte:qlib/contrib/model/pytorch_gats.py

Algoritmos de trading com aprendizado de máquina, referência de algoritmos

LightGBMRegressor (Freqtrade): Gradient boosting regression model for price movement prediction using LightGBM. Parâmetros principais: n_estimators (Number of boosting rounds), learning_rate (Step size shrinkage).Fonte: https://github.com/freqtrade/freqtrade/blob/develop/freqai/prediction_models/LightGBMRegressor.py.
LightGBMClassifier (Freqtrade): Gradient boosting classification model for directional prediction (up/down/neutral). Parâmetros principais: n_estimators (Number of boosting rounds).Fonte: https://github.com/freqtrade/freqtrade/blob/develop/freqai/prediction_models/LightGBMClassifier.py.
XGBoostRegressor (Freqtrade): XGBoost-based regression model for continuous value prediction. Parâmetros principais: n_estimators (Number of boosting rounds), max_depth (Maximum tree depth).Fonte: https://github.com/freqtrade/freqtrade/blob/develop/freqai/prediction_models/XGBoostRegressor.py.
XGBoostClassifier (Freqtrade): XGBoost-based classification model for directional prediction. Parâmetros principais: n_estimators (Number of boosting rounds).Fonte: https://github.com/freqtrade/freqtrade/blob/develop/freqai/prediction_models/XGBoostClassifier.py.
CatboostRegressor (Freqtrade): CatBoost gradient boosting model with native categorical feature support. Parâmetros principais: iterations (Number of boosting iterations).Fonte: https://github.com/freqtrade/freqtrade/blob/develop/freqai/prediction_models/CatboostRegressor.py.
PyTorchMLPRegressor (Freqtrade): Multi-layer perceptron neural network for regression-based price prediction. Parâmetros principais: hidden_dim (Hidden layer dimension), dropout_percent (Dropout rate).Fonte: https://github.com/freqtrade/freqtrade/blob/develop/freqai/prediction_models/PyTorchMLPRegressor.py.
PyTorchTransformerRegressor (Freqtrade): Transformer architecture for time-series regression using self-attention mechanism. Parâmetros principais: num_heads (Number of attention heads), num_layers (Number of transformer layers).Fonte: https://github.com/freqtrade/freqtrade/blob/develop/freqai/prediction_models/PyTorchTransformerRegressor.py.
LGBModel (Qlib (Microsoft)): LightGBM model for stock return prediction using technical and fundamental features. Parâmetros principais: num_leaves (Maximum number of leaves), learning_rate (Boosting learning rate).Fonte: https://github.com/microsoft/qlib/blob/main/qlib/contrib/model/gbdt.py.
XGBModel (Qlib (Microsoft)): XGBoost model for stock return prediction. Fonte: https://github.com/microsoft/qlib/blob/main/qlib/contrib/model/xgboost.py.
DNNModel (Qlib (Microsoft)): Deep neural network for nonlinear feature extraction and return prediction. Parâmetros principais: hidden_size (Hidden layer size).Fonte: https://github.com/microsoft/qlib/blob/main/qlib/contrib/model/pytorch_nn.py.
ALSTM (Qlib (Microsoft)): Attention-based LSTM for sequential stock data modeling with attention mechanism. Parâmetros principais: hidden_size (LSTM hidden size), num_layers (Number of LSTM layers).Fonte: https://github.com/microsoft/qlib/blob/main/qlib/contrib/model/pytorch_alstm.py.
TFTModel (Qlib (Microsoft)): Temporal Fusion Transformer combining static and temporal features for multi-horizon prediction. Fonte: https://github.com/microsoft/qlib/blob/main/qlib/contrib/model/pytorch_tft.py.
GATs (Qlib (Microsoft)): Graph Attention Networks modeling stock relationships for cross-stock prediction. Fonte: https://github.com/microsoft/qlib/blob/main/qlib/contrib/model/pytorch_gats.py.