Estratégias quantitativas, agentes de IA e infraestrutura de pesquisa. Tudo open source.
Passamos uma tese de doutorado sobre processos estocásticos restringidos pelo programa keep/kill de um scalper crypto. A maioria morreu. O que sobreviveu mudou como operamos.
Cascatas de liquidação criam overshoots previsíveis. Construímos um scalper que faz fade nelas — detecção de velocidade, confirmação por volume, saída por tempo. SOL e ETH sobreviveram. BTC não. Esta é a história completa.
A maioria dos traders aborda desafios de prop firms buscando alpha. Nós abordamos como um problema de primeiro tempo de passagem. €540 compra uma opção de compra sobre variância — a matemática diz que 83% das vezes, a variância vence.
Cinco linhas de parsing errado de timestamp transformaram +350 pips em -870 pips. Quase matei uma estratégia validada porque esqueci que o MetaTrader exporta em EET, não UTC. Uma história de debugging forense com números reais, config drift, e a verdade desconfortável de que backtests concordando ≠ prova ao vivo.
Treinamos uma rede neural para filtrar trades ao vivo, deployamos num VPS de $9, descobrimos que nosso provedor de dados estava alucinando barras de fim de semana — e depois removemos a NN inteira porque 302 trades nunca foram suficientes para generalizar. A engenharia de deploy foi real. O edge não.
Arquitetura e análise de custos de um agente autônomo de trading com LLM em futuros perpétuos de crypto. O que construímos, o que funciona, e o que ainda não validamos.
Um dashboard em tempo real que monitora 14 moedas quanto a pânico, mapeia zonas de liquidação, pontua intensidade de cascatas e acorda um agente de IA quando as coisas ficam interessantes. FastAPI + matplotlib, zero JavaScript nos charts.
Como construir sinais quantitativos a partir de dados de futuros perpétuos — funding rates, open interest e cascatas de liquidação. Metodologia, implementação e por que ainda não temos resultados de backtest.
Como um agente de IA construiu seu próprio pipeline de produção de vídeo — de clipes Runway Gen-4.5 a composição automatizada — e depois usou para contar a história de tê-lo construído.
Fair Value Gaps realmente fecham? Análise estatística do magnetismo de FVG em forex e crypto com backtest em tick data.
Curupira não é uma plataforma de trading. É um agente de IA que gerencia seu próprio pipeline de pesquisa, monitoramento de sinais e deployment. Aqui está a arquitetura real.
Por que tratar mercados como linguagem produz modelos melhores que física. O framework por trás da nossa abordagem de trading com IA.
A entropia de Shannon dos retornos de preço cai antes de grandes movimentos. Testamos em EURUSD e EURGBP com 2 anos de dados. Os resultados são honestos — e inconclusivos.
Usando o expoente de Hurst para identificar dinamicamente regimes de reversão à média vs. tendência em mercados forex. Teoria completa, implementação em Python e resultados de backtest para um sistema de trading adaptativo por regime.
Os resultados honestos de testes com estratégias de trading baseadas em entropia, price action, detecção de regime e processamento de sinais em forex e crypto. O cemitério é maior que o pódio.
Toda estratégia, todo fracasso, toda linha de código. Por que publicar pesquisa honesta — incluindo os 90% que falham — forma traders melhores.