Construindo um Agente de Trading LLM por $1.30/Dia na Hyperliquid
AI Trading
· Thiago Sucupira

Construindo um Agente de Trading LLM por $1.30/Dia na Hyperliquid

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.

llmtrading-agenthyperliquidcost

A Arquitetura

A maioria dos projetos de “bot de trading com LLM” custa centenas de dólares por dia porque despeja dados brutos de mercado no GPT-4. Isso é desperdício. LLMs são ruins em matemática mas bons em raciocinar sobre contexto.

Nossa arquitetura: Python calcula todas as features quantitativas. O LLM interpreta. Python executa.

┌─────────────────┐     ┌──────────────┐     ┌────────────────┐
│   Data Layer    │────▶│ LLM Analysis │────▶│  Execution     │
│   (Python)      │     │ (Claude)     │     │  (Python)      │
│                 │     │              │     │                │
│ • On-chain data │     │ • Interprets │     │ • Risk limits  │
│ • Funding rates │     │   context    │     │ • Position     │
│ • OI snapshots  │     │ • Structured │     │   sizing       │
│ • Panic scores  │     │   decision   │     │ • Order mgmt   │
│ • Book depth    │     │              │     │                │
│ Cost: $0        │     │ Cost: ~$1.20 │     │ Cost: $0       │
└─────────────────┘     └──────────────┘     └────────────────┘

O Que Está Construído e Rodando

Coletor on-chain (onchain-collector.timer): Roda a cada 30 minutos via systemd. Puxa snapshots de 6 moedas da Hyperliquid — funding rates, open interest, mark price, volume 24h, oracle price, ordens abertas. Armazena em SQLite + JSONL.

Monitor de liquidações (liq-watcher.service): Conexão WebSocket persistente com a Hyperliquid. Monitora 14 moedas em tempo real. Calcula um panic score por moeda baseado em:

  • Z-score de volume (relativo ao baseline de 1 hora)
  • Velocidade do preço
  • Variações de OI
  • Extremos de funding rate (calibrados a partir de perfis de distribuição de 90 dias)
  • Desequilíbrio do book de ofertas

Quando o pânico cruza o threshold → alerta de cascata com call direcional.

Banco de dados de mercado: SQLite com 4 tabelas — funding_history (30K+ registros), snapshots, trade_events, distribution_profiles. Distribuições de funding por moeda computadas a partir de 90 dias de dados preenchidos retroativamente.

O que NÃO está rodando: A camada de decisão LLM. O agente ainda não opera. Estamos calibrando a infraestrutura de sinais primeiro — não faz sentido conectar o Claude a um sistema que produz falsos positivos.

O Panic Scorer

O problema de calibração foi instrutivo. Primeira versão: panic scores de 0-100, tudo travado em 100 em mercados calmos porque o baseline de volume estava errado. Segunda versão: centrado em 50, thresholds de funding por moeda a partir de perfis de distribuição no percentil 95/5, amortecimento de cold-start de 15 minutos.

# Per-coin funding thresholds (from distribution profiles)
# BTC: extreme_long=0.000013, extreme_short=-0.000025
# SOL: extreme_long=0.000013, extreme_short=-0.000059
# POL: extreme_long=0.000013, extreme_short=-0.000107

Esses números vêm do perfilamento real das distribuições de funding. A maioria das moedas tem thresholds de extreme_long quase idênticos (~0.000013), mas thresholds de extreme_short absurdamente diferentes — o extremo short de POL é 4× o de BTC. Usar um único threshold fixo para todas as moedas estava errado.

Projeção de Custos

ComponenteFrequênciaCusto Diário Estimado
Snapshots on-chainA cada 30 min$0 (API Hyperliquid gratuita)
Monitor de liquidaçõesWebSocket contínuo$0
Análise LLMA cada 15 min (projetado)~$1.20 (Sonnet)
VPS24/7~$0.10
Total~$1.30

A infraestrutura de dados roda de graça. O custo é inteiramente das chamadas LLM, que ainda não estamos fazendo.

Por Que Hyperliquid

  • Zero taxas de gas em trades
  • Transparência on-chain — cada trade verificável
  • Liquidez profunda em BTC/ETH ($50M+ de book depth)
  • API REST + WebSocket simples
  • Mercados 24/7 — sem lógica de abertura/fechamento
  • Futuros perpétuos com até 50× de alavancagem

O Que Está Bloqueado

  1. Chave API da Anthropic — rodamos Claude via assinatura, não créditos de API. Precisamos de uma chave API separada para o agente.
  2. Carteira testnet Hyperliquid — precisa configurar testnet antes de tocar em dinheiro real.
  3. Calibração de sinais — o panic scorer acabou de ser reconstruído com thresholds baseados em distribuição. Precisa de ~1 semana de dados para validar que a nova calibração não produz falsos positivos.

O plano: forward-test em testnet primeiro, coletar snapshots de replay para análise offline, depois gradualmente conectar o Claude para interpretação assim que a infraestrutura de sinais estiver estável.

Perguntas Honestas que Não Respondemos

  • O raciocínio do LLM realmente adiciona alpha sobre execução baseada em regras? Achamos que sim — síntese contextual, consciência de regime, confiança auto-calibrada. Mas não fizemos teste A/B.
  • $1.30/dia é sustentável? Se a Anthropic aumentar preços ou precisarmos do Opus para decisões complexas, os custos podem facilmente multiplicar por 5-10×.
  • Os alertas de cascata serão operáveis? Os dois primeiros alertas foram falsos positivos de artefatos de cold-start. Precisamos de semanas de dados limpos para saber a qualidade do sinal.

Publicaremos resultados quando tivermos. Não antes.

Para as estratégias quantitativas que o agente usará, veja ECVT. Para a metodologia de sinais on-chain, veja Dados On-Chain. Visão geral da arquitetura em Agentes Autônomos.

Pesquisa Relacionada