MNEME

---

MNEME é uma inteligência artificial financeira híbrida, com capacidade operacional, para Forex, ouro, cripto e operações de expiração fixa. Ela combina engenharia de dados, machine learning, deep learning, análise quantitativa, RAG e IA generativa para estudar o mercado, testar hipóteses, identificar oportunidades e gerar sinais, com uma regra central: nenhuma estratégia é aceita sem prova medida em dados que ela nunca viu.

Não é um bot de indicadores, nem um chatbot que opina sobre preço, nem só um gerador de sinais. A definição oficial está em docs/PRODUCT_CHARTER.md. É um sistema científico de trading, em que cada decisão pode ser reconstruída, auditada e comparada com o que aconteceu de fato.

Mercados

Cada mercado tem seus próprios modelos, custos, métricas e regras de risco. Nada é generalizado de um para o outro.

Mercado	Modalidade	Atuação
Forex e ouro	EUR/USD, GBP/USD, USD/JPY, XAU/USD e outros	Compra e venda com stop, alvo e tamanho de posição; hoje em simulado
Solana (Jupiter)	Tokens e pools de liquidez	Análise, sinais e execução
Binance	Bitcoin, Ethereum, Solana e outras criptos à vista	Análise, sinais e execução
Estilo Quotex	Expiração fixa em Forex, ouro e cripto	Primeiro sinais, apurados no simulado; depois, se possível, operação por API ou controle da tela

Por que híbrido

Nenhuma técnica sozinha resolve o problema. Cada camada faz o que faz melhor e tem um limite claro:

Camada	Responsabilidade	O que ela não faz
Machine learning	Aprende relações estatísticas e estima probabilidade, volatilidade e regime	Interpretar texto
LLM e RAG	Lê notícias e documentos, contextualiza e formula hipóteses	Definir direção, tamanho ou ordem
Quantitativo	Calcula, testa e valida com custos reais	Aceitar resultado sem validação
Decisão	Combina evidências em regras versionadas	Operar sem evidência suficiente
Risco	Impõe limites em código determinístico	Ceder a qualquer outro módulo

Arquitetura

flowchart TB
    subgraph Fontes
      M[Binance: velas, trades, livro e derivativos]
      S[Solana: liquidez e on-chain]
      T[Traders medidos]
      N[Notícias, calendário e macro]
      D[Livros e estudos]
    end

    subgraph Dados[Engenharia de dados]
      C[Coleta em tempo real e recuperação de lacunas]
      V[Validação e quarentena]
      P[(Parquet point-in-time)]
      A[Atributos sem olhar o futuro]
    end

    subgraph Inteligencia[Inteligência]
      ML[Modelos LightGBM e XGBoost]
      LAB[Laboratório: backtest e validação]
      G[Agentes LangGraph sob demanda]
      R[(RAG: PostgreSQL + pgvector)]
      L[LLM local: Ollama]
    end

    subgraph Acao[Decisão e ação]
      DE[Decision Engine]
      RE{Risk Engine}
      SE[Signal Engine]
      EX[Execução simulada e controlada]
    end

    M & S & T --> C
    N --> G
    D --> R
    C --> V --> P --> A
    A --> ML
    P --> LAB --> ML
    G <--> R
    G <--> L
    G -- evidências estruturadas --> A
    ML --> DE
    DE --> RE
    RE -- aprovado --> SE --> TG[Telegram]
    RE -- aprovado --> EX
    EX & SE --> AV[Avaliação: previsto x real]
    AV -- novas hipóteses --> LAB

O sistema tem dois caminhos separados. O caminho rápido calcula, decide e protege sem depender de LLM, com latência previsível. O caminho analítico é orientado a eventos: o LLM só é acionado por uma notícia, uma mudança relevante de mercado ou uma pergunta, e entrega dados estruturados, nunca ordens.

Stack

Área	Tecnologias
Linguagens	Python 3.12, TypeScript
Dados	pandas, NumPy, PyArrow, Parquet, DuckDB, WebSockets, httpx
Machine learning	scikit-learn, LightGBM, XGBoost, MLflow
IA generativa	Ollama, modelos Qwen quantizados, LangGraph, RAG, fastembed
Bancos	PostgreSQL, pgvector, Cloudflare D1, SQLite
Mercados	Binance, Solana, Jupiter, DexScreener, Quotex
Infraestrutura	Docker Compose, Oracle Cloud ARM64, Cloudflare Pages e Workers, GitHub Actions
Interfaces	Site com gráficos de mercado, bot do Telegram
Qualidade	pytest, Vitest, TA-Lib como referência de cálculo

Conceitos aplicados

Validação quantitativa

• Walk-forward com purga e embargo: o treino nunca encosta no período de teste.
• Dados point-in-time: cada registro guarda quando aconteceu e quando chegou, para reconstruir o que o sistema sabia em cada instante.
• Correção por múltiplos testes: Deflated Sharpe Ratio e probabilidade de sobreajuste, com registro de toda tentativa.
• Custos reais: taxa, slippage e payout entram em todo resultado. Em opções digitais, o acerto é comparado ao ponto de empate do payout, como 54,05% com payout de 85%.

Machine learning aplicado a finanças

• Triple-barrier e meta-labeling: alvos que refletem operações reais e modelos que aprendem quando confiar em uma regra.
• Calibração de probabilidade: um percentual só é exibido quando o modelo foi validado para aquele ativo, tempo e horizonte.
• Regimes de mercado e drift: desempenho medido por regime, com rebaixamento automático e promoção por aprovação humana.

Leitura de mercado

• Análise técnica: RSI, MACD, Bollinger, ATR, ADX, OBV, VWAP, estrutura de mercado, suporte e resistência, rompimentos e padrões de vela.
• Fluxo e derivativos: livro de ofertas, delta de volume, funding e open interest.
• Eventos: estudos de evento e surpresa do calendário econômico, separando fato, rumor, opinião e interpretação.

Engenharia e segurança

• Risk Engine determinístico: limites de perda, exposição e drawdown, circuit breaker e kill switch.
• Execução idempotente: nenhuma ordem duplicada, com reconciliação depois de falhas.
• Defesa contra injeção de prompt: texto externo é dado, e o LLM não tem acesso a ordens nem a segredos.
• Eficiência: projetado para 2 OCPU e 12 GB em ARM64, com limites por serviço e modelos carregados sob demanda.

Engenharia em números

659	testes automatizados, 525 no robô em Python e 134 no site e no Worker
~3 milhões	de velas de 1 minuto armazenadas em 152 MB de Parquet
0,2 s	do fechamento da vela até a gravação, em coleta ao vivo
3e-8	de erro relativo máximo nos indicadores, comparados ao TA-Lib em dados reais
95 MB	de memória usados pelo serviço de coleta
4	modelos de LLM local medidos em ARM64, com memória, latência e qualidade

Estrutura

robo/                  Robô em Python
  mneme/dados/         Coleta, validação e armazenamento
  mneme/indicadores.py Indicadores técnicos
  mneme/leitura.py     Tendência, estrutura e padrões
  mneme/estrategias/   Estratégias medidas
  mneme/estudo/        Modelos e validação walk-forward
  mneme/setups/        Setups testados em anos de dados
  conhecimento/        Base de conhecimento com fontes
  compose.yaml         Serviços em Docker
public/, functions/    Site e API no Cloudflare Pages
workers/bot/           Bot do Telegram e assinaturas
docs/architecture/     Arquitetura, decisões e medições

Rodando

Colaborador do projeto: clone, crie o .env com o bloco de chaves recebido por e-mail e rode bash colaborar/configurar.sh. Isso configura o acesso à Oracle, o Python, os testes e o Knowledge Vault no Obsidian (guia).

cd robo
uv sync
uv run pytest -q
uv run python -m mneme.dados importar --meses 24
uv run python -m mneme.dados ler BTCUSDT --tempo 15min

Para coletar em tempo real:

docker compose up -d --build

Chaves e endereços privados ficam no .env, que nunca entra no Git.

Documentação

Visão geral	Módulos, contratos e fluxos
Análise da arquitetura	Alternativas comparadas e o papel de cada técnica
Machine learning	Treino, validação e promoção de modelos
Multiagente	Agentes, grafos e segurança
Knowledge Engine	RAG e inteligência de notícias
Gestão de risco	Limites e controles
Oracle Always Free	Implantação e medições em ARM64
Decisões (ADRs)	O que foi decidido e por quê

---

Projeto de estudo e engenharia. Não é recomendação de investimento: desempenho passado não garante resultado futuro, e operar criptoativos pode causar perdas. © Thiago Antunes. Todos os direitos reservados.