Toolkit Python para pesquisa de trading que testa milhares de ideias de estratégia em diferentes ativos e períodos usando operações vetorizadas de NumPy e pandas.
9,7 mil+123 esta semana1,3 milPythonOtherAtualizado há 4 horas
stefan-jansen/machine-learning-for-trading
Código complementar ao livro Machine Learning for Trading (3ª edição), que aborda um fluxo de trabalho completo, da obtenção de dados ao trading ao vivo.
- Estrelas
- 21,749
- Forks
- 5,762
- Issues abertas
- 1
- Último commit
- ontem
Esta página apresenta um projeto de código aberto e não constitui aconselhamento de investimento. Negociar e investir pode gerar perdas: avalie o risco por conta própria e siga as leis do seu país antes de usá-lo.
O que é?
Este repositório contém o código de Machine Learning for Trading, 3ª edição. Ele está organizado em 27 capítulos, cada um com notebooks Jupyter e um guia, além de nove estudos de caso que aplicam o mesmo pipeline a diferentes mercados: ETFs, contratos perpétuos de cripto, ações intradiárias, opções, câmbio, futuros e painéis de fatores de ações. O projeto se concentra em transformar uma ideia de pesquisa em uma estratégia que considere custos e riscos e, depois, em um sistema de trading ao vivo com monitoramento.
O material abrange o tratamento de dados financeiros com Polars, engenharia de atributos, modelos que vão de baselines lineares e gradient boosting a arquiteturas profundas para séries temporais, aprendizado por reforço para execução e hedge, machine learning causal, além de geração aumentada por recuperação e agentes aplicados à pesquisa financeira. Backtesting, modelagem de custos de transação, construção de portfólio e controles contra overfitting, como o Deflated Sharpe Ratio, são tratados como tópicos centrais.
A configuração está disponível por meio de uma imagem Docker ou de um ambiente local com uv, com scripts para baixar os conjuntos de dados gratuitos e verificar a instalação. O material anterior continua disponível na branch da segunda edição.
Recursos principais
- 01Diretórios para 27 capítulos, com notebooks Jupytext e guias que relacionam as seções ao código
- 02Nove estudos de caso sobre ETFs, contratos perpétuos de cripto, opções, câmbio, futuros e ações
- 03Modelos de gradient boosting, séries temporais profundas, fatores latentes e modelos causais com validação walk-forward
- 04Módulos de backtesting, custos de transação e gestão de risco integrados a uma trilha de trading ao vivo
- 05Configurações com Docker e uv local, além de scripts para baixar conjuntos de dados gratuitos e verificar a instalação
Casos de uso
- Aprender um fluxo de trabalho completo de pesquisa quantitativa, dos dados ao backtest
- Reproduzir ou ampliar as estratégias dos nove estudos de caso com seus próprios dados
- Comparar modelos clássicos e de deep learning para prever retornos considerando custos realistas
- Explorar como levar uma estratégia de trading à execução ao vivo com monitoramento
Em coleções
Tópicos
Perguntas frequentes
- O que é machine-learning-for-trading?
- Código complementar ao livro Machine Learning for Trading (3ª edição), que aborda um fluxo de trabalho completo, da obtenção de dados ao trading ao vivo. Este repositório contém o código de Machine Learning for Trading, 3ª edição. Ele está organizado em 27 capítulos, cada um com notebooks Jupyter e um guia, além de nove estudos de caso que aplicam o mesmo pipeline a diferentes mercados: ETFs, contratos perpétuos de cripto, ações intradiárias, opções, câmbio, futuros e painéis de fatores de ações. O projeto se concentra em transformar uma ideia de pesquisa em uma estratégia que considere custos e riscos e, depois, em um sistema de trading ao vivo com monitoramento.
- machine-learning-for-trading é gratuito? Qual é a licença?
- machine-learning-for-trading é open source sob a licença MIT. Confira os termos da licença antes de usá-lo em produtos comerciais.
- machine-learning-for-trading ainda é mantido?
- Manutenção ativa. O último commit de machine-learning-for-trading foi em 6 de nov. de 2026.
- Para que posso usar machine-learning-for-trading?
- Aprender um fluxo de trabalho completo de pesquisa quantitativa, dos dados ao backtest Reproduzir ou ampliar as estratégias dos nove estudos de caso com seus próprios dados Comparar modelos clássicos e de deep learning para prever retornos considerando custos realistas Explorar como levar uma estratégia de trading à execução ao vivo com monitoramento
- Onde consigo machine-learning-for-trading?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/stefan-jansen/machine-learning-for-trading
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Plataforma de investimento quantitativo orientada a IA da Microsoft, que abrange dados, treinamento de modelos, backtesting e execução de ordens para pesquisa quantitativa.
IA e Machine Learning#quantitative-finance#machine-learning#algorithmic-trading#backtesting#reinforcement-learning
50,1 mil+233 esta semana7,9 milPythonMITAtualizado há 3 dias
Framework Python para backtesting e negociação ao vivo de estratégias algorítmicas em exchanges descentralizadas, com dados de mercado on-chain.
383+3 esta semana63PythonOtherBem mantidoAtualizado há 11 dias
Motor de trading nativo em Rust e orientado a eventos, com plano de controle em Python para backtesting e trading ao vivo em mercados de cripto, FX, ações, futuros, opções e apostas.
31,3 mil+235 esta semana4,2 milRustLGPL-3.0Bem mantidoAtualizado há 6 horas
Framework Python auto-hospedado para pesquisar, fazer backtesting, otimizar e operar ao vivo suas próprias estratégias de trading de criptomoedas.
8,8 mil+16 esta semana1,3 milPythonMITBem mantidoAtualizado ontem
Framework Python para treinar modelos de ML com dados históricos do mercado de criptomoedas, criar atributos e executá-los como serviço online que envia sinais de trading.
IA e Machine Learning#algorithmic-trading#machine-learning#feature-engineering#crypto-trading#backtesting
1,9 mil+3 esta semana414PythonMITAtualizado há 6 dias