Quant

O Quant atravessa as fronteiras entre produto, design, frontend, backend, dados e infraestrutura. Assumi essas frentes em conjunto, permitindo que o fluxo e a arquitetura evoluíssem em torno do mesmo problema de pesquisa, sem depender de repasses entre equipes separadas.

Também criei o emblema Q no Blender e sua cena de apresentação no Unreal Engine 5. O sistema visual leva essa identidade a áreas de trabalho densas por meio de superfícies em camadas, detalhes metálicos contidos e hierarquia clara; o objetivo é manter o foco durante longas sessões de pesquisa, não apenas decorar a interface.

Minha própria pesquisa de trading sistemático expôs os limites de planilhas e scripts desconectados. Eu precisava de dados reutilizáveis, definições consistentes de estratégia, simulações repetíveis, busca estruturada de parâmetros e uma forma de questionar resultados promissores antes de envolver capital.

A ideia tem cerca de seis anos e foi o que me levou a aprender programação. Eu a reconstruí várias vezes à medida que aprofundei meu entendimento de mercados, arquitetura, disciplina de pesquisa e design de produto. A implementação apresentada aqui é um novo código-fonte iniciado em abril de 2026.

Uma geração anterior das minhas ferramentas apoiou uma estratégia que negociei pessoalmente, levando aproximadamente R$3.000 a R$90.000 em cerca de um ano. Esse resultado antecede esta implementação; ele contextualiza a origem do projeto, não é uma previsão nem evidência de que o Quant tenha produzido esses retornos.

A pesquisa começa com instrumentos, séries históricas, indicadores e disponibilidade dos dados. O Quant mantém essas entradas próximas das regras de entrada e saída, parâmetros e configurações de simulação para que um experimento possa ser reconstruído, não apenas lembrado.

Execuções concluídas colocam trajetória do patrimônio, drawdown, operações e estatísticas de apoio ao lado das premissas que as produziram. Um gráfico promissor continua ligado a uma configuração específica, em vez de virar uma imagem isolada ou uma métrica de destaque.

Um processo de busca útil precisa fazer mais do que revelar o maior número. A otimização compara tentativas em múltiplos objetivos, enquanto a descoberta reduz conjuntos amplos de candidatos ao trabalho que merece investigação mais profunda.

A validação permanece dentro do fluxo de Backtests e separa janelas dentro e fora da amostra. Criação de atributos, desempenho em simulação e evidência retida continuam sendo perguntas distintas, em vez de se reduzirem a uma única pontuação.

Backtests, estudos de otimização e buscas de descoberta podem durar mais do que uma requisição HTTP. O Quant recebe o trabalho pela API, executa-o em workers Dramatiq apoiados por Redis e informa o estado no shell desktop para que a interface continue responsiva.

A execução é deliberadamente mais restrita do que a camada de pesquisa: hoje o produto aceita contas e implantações simuladas. O trading ao vivo é recusado pela interface e pela API, transformando o limite atual de segurança em comportamento visível do produto.

O Quant empacota uma interface React no Tauri 2 e a conecta ao FastAPI. PostgreSQL e Alembic gerenciam o estado da aplicação; Redis e Dramatiq coordenam a pesquisa assíncrona; MetaTrader 5 e um gateway separado e somente leitura alimentam o armazenamento local com dados de mercado.

O desktop é responsável pela interação e pelo contexto do operador, enquanto os serviços assumem dados duráveis e processamento pesado. Essa fronteira mantém o produto coerente sem forçar pesquisas longas a rodar no processo da interface.

O Quant pertence ao lado de serviços locais de dados de mercado, workers e arquivos de pesquisa. Um shell nativo em Tauri torna esse contexto operacional explícito e sustenta um fluxo desktop focado, em vez de fingir que o produto é um SaaS público.

A contrapartida é uma cadeia de ferramentas nativa e dependências específicas de plataforma. Aceitei esse custo porque ele corresponde à forma como o produto é realmente usado.

Construí um modo determinístico com Mock Service Worker que executa a interface sem FastAPI, PostgreSQL, Redis ou conexão com uma corretora. Fixtures estáveis permitem que o design do produto, o comportamento do frontend e a revisão visual continuem enquanto os contratos dos serviços mudam.

Isso reduziu a coordenação necessária entre interface e infraestrutura e tornou estados importantes reproduzíveis, em vez de dependentes de uma configuração local específica.

Um único backtest pode premiar o sobreajuste, por isso o Quant mantém otimização, validação fora da amostra e controles de execução no fluxo do produto. O software apresenta evidências e limites; ele não declara que uma estratégia é bem-sucedida.

A execução exclusivamente simulada e a recusa do modo ao vivo no backend aplicam o mesmo princípio operacionalmente: uma capacidade futura não pode parecer, por acidente, uma capacidade atual.

Concebi, projetei e construí o produto: identidade, shell desktop, sistema de interação, áreas de trabalho do frontend, API, arquitetura de workers, esquema do banco, caminhos de dados de mercado, fluxos de pesquisa, controles de execução, testes automatizados e ferramentas de desenvolvimento.

Usei IA para scaffolding, refatoração, geração de testes e revisão. A direção do produto, a arquitetura, o design visual, as decisões de engenharia e as escolhas finais permaneceram sob minha responsabilidade.

O Quant é usado ativamente para pesquisa e backtesting, com execução simulada disponível e trading ao vivo intencionalmente desativado enquanto esse caminho amadurece.

O código-fonte é privado, e os materiais públicos omitem credenciais, dados de corretora e contas, identificadores de implantação e código. Posso apresentar o produto, a arquitetura e as decisões em maior profundidade em uma conversa técnica.