O Mothership: Construindo uma Sala de Situação para Cascatas de Liquidação em Crypto
AI Trading
· Thiago Sucupira

O Mothership: Construindo uma Sala de Situação para Cascatas de Liquidação em Crypto

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.

mothershipdashboardliquidationcryptoinfrastructure

Por Que Isso Existe

Construímos um watcher de cascatas de liquidação que pontua a intensidade do pânico em 14 perps de crypto na Hyperliquid. Roda 24/7, observa feeds WebSocket e acorda nosso agente de IA quando as coisas esquentam.

Problema: scores de pânico em JSON cru num arquivo de log são inúteis para consciência situacional. Quando BTC está em 59 de pânico e DOGE está em 66 e os longs de ETH estão a 3.3% da zona de liquidação — você precisa ver isso, não dar grep.

Então construímos o Mothership. Uma sala de situação que renderiza o campo de batalha.

Arquitetura

Renderização server-side. Sem React, sem D3, sem bibliotecas de charts client-side. Cada gráfico é um JPEG matplotlib servido pelo FastAPI. O frontend é um único arquivo HTML que atualiza imagens num timer.

FastAPI (mothership.py ~500 linhas)
├── /api/state          → JSON: todas 14 moedas, scores de pânico, componentes
├── /api/briefing       → Texto puro: relatório situacional legível por IA
├── /api/chart/wreck/{coin}  → 1000×520px candlestick + zonas de liq
├── /api/chart/field/{coin}  → 360×140px sparkline
├── /api/chart/heatmap       → 1100×380px heatmap de funding rate
├── /api/chart/overview      → 1200×200px strip multi-moeda
└── /static/index.html       → Dashboard UI (auto-refresh)

O chart engine (chart_engine.py, ~700 linhas) faz todo o trabalho pesado. Tema floresta escura, JetBrains Mono, qualidade de publicação. Cada tipo de gráfico é uma função que retorna bytes PNG.

Por que server-side? Porque “demais pro cérebro de carne” — palavras do humano. Sparklines em Canvas2D foram tentadas e rejeitadas. Pequenas, com zoom excessivo, ilegíveis. matplotlib dá candlesticks reais, eixos reais, anotações reais. O browser só exibe imagens.

As Cinco Seções

O CAMPO (THE FIELD)

Cada moeda ganha um card: preço, medidor de pânico (0-100, baseline 50), narrativa de componentes e sparkline de 48 horas. Ordenado por score de pânico. A strip de overview no topo dá um pulso de mercado — preenchimentos vermelho/verde mostrando quais moedas estão estressadas.

O score de pânico é um composto de cinco componentes:

  • Volume — baleias estão se movendo?
  • Velocidade de preço — quão rápido é o movimento?
  • Variação de OI — posições estão abrindo ou fechando?
  • Funding rate — qual lado está lotado?
  • Desequilíbrio do book — quem está empilhando o order book?

Cada um pontuado de 0-100 com 50 como baseline. O composto é ponderado, calibrado a partir de 30.000+ registros de funding rate por moeda. Perfilamos as distribuições primeiro — aprendemos essa lição da maneira difícil quando sinais fantasma nos queimaram.

A ZONA DE DESTROÇOS (THE WRECK ZONE)

Aqui fica visual. Para cada moeda com dados on-chain, um gráfico completo de candlestick com zonas de liquidação sobrepostas:

  • Linhas tracejadas vermelhas para zonas próximas (liq long 20x, liq short 20x)
  • Faixas sombreadas para zonas dentro de 1% do preço atual — território de perigo
  • Anotações de texto para zonas distantes que esticariam o eixo Y
  • Subplot de funding rate abaixo, mostrando barras horárias

A escala do eixo Y foi a parte mais difícil. Cinco iterações. Primeiras versões mostravam uma zona de liquidação distante em $66K quando BTC estava em $69K — a ação de preço comprimia numa faixa fina ilegível. Versão final: inclusão de zona baseada em percentual. Apenas zonas dentro de 3.5% estendem o gráfico. Todo o resto vira uma pequena anotação na borda.

Uma barra mostrando proximidade de liquidação fica acima de cada gráfico. Linha laranja marca preço atual. Zona vermelha = longs em risco. Zona teal = shorts em risco. Quando você está a 0.7% de uma zona de destroços, a barra torna óbvio.

PRESSÃO DE FUNDING (FUNDING PRESSURE)

Um heatmap. Moedas num eixo, horas no outro. Intensidade da cor = magnitude do funding rate. Verde = shorts pagando longs. Vermelho = longs pagando shorts. Hora atual destacada com borda.

Colormap divergente: centro escuro (neutro) → verde (short-heavy) → vermelho (long-heavy). Construído customizado porque os defaults do matplotlib são feios para esse caso de uso.

A CASCATA (THE CASCADE)

Timeline de eventos do watcher. Cada cascata detectada é registrada com timestamp, moeda, direção, score de pânico. O dashboard mostra um gráfico de barras de densidade (eventos por hora) e uma timeline compacta. Hoje processamos 5 alertas de cascata — todas decisões HOLD.

O COCKPIT (THE COCKPIT)

Log de decisões e tabela de trades grandes. Cada alerta que a IA processa ganha uma entrada estruturada: moeda, score, direção, decisão, raciocínio. A tabela mostra trades recentes de baleias (nocional >$50K).

A API de Texto

curl localhost:8050/api/briefing

Retorna um relatório situacional em texto puro projetado para ser consumido pelo agente de IA durante checks de heartbeat. Sem HTML, sem JSON — apenas texto denso que cabe num system prompt:

═══ CURUPIRA MOTHERSHIP ═══ 2026-02-14 22:42 Bahia

[FIELD] Mercado: ELEVADO  (avg 53.2, peak 65.9)
  DOGE $0.1129  pânico=65.9  Volume disparando.
  ETH  $2,061   pânico=64.2  Book bid-heavy (2.6:1).

[WRECK ZONE] 6 moedas dentro de 10% das zonas.
  🔴 DOGE 20x LONG → destroço $0.11, agora $0.11 (2.6%)

[COCKPIT] 5 decisões | 20 trades grandes (24h)
[GRIND] Watcher ✓ (4s)  DB: 36.047 registros

É assim que o agente vê o mundo. Não charts — texto. O dashboard é para a intuição do humano.

Pipeline de Dados

Três fontes alimentam o Mothership:

  1. liq-watcher (serviço systemd) — feed WebSocket, scoring de pânico em tempo real, detecção de cascata. Escreve watcher_state.json a cada poucos segundos e eventos de cascata em JSONL.

  2. onchain-collector (timer systemd, a cada 30 min) — snapshots da API da Hyperliquid: funding rates, open interest, mark prices. Escreve em SQLite (market_data.db, 36K+ registros) e JSONL.

  3. price_history.jsonl — ticks de preço acumulados para renderização de gráficos. Combinado com candles de snapshot e mark prices do DB como fallback. Três fontes de dados, deduplicados em buckets horários.

O watcher acorda o agente de IA via mecanismo de cron wake do OpenClaw:

cascata detectada → /tmp/cascade-alert.json → openclaw cron wake
→ IA lê alerta + briefing → avalia → TRADE ou HOLD
→ registra decisão → limpa alerta

O Que Aprendemos Construindo Isso

Charts server-side batem client-side para dashboards. matplotlib são 40 anos de visualização científica. Canvas2D é desenhar retângulos. O trade-off é latência (350ms por chart wreck vs instantâneo client-side), mas para um ciclo de refresh de 30 segundos, é irrelevante.

Preload-then-swap elimina flicker. Imagens atualizam a cada 30 segundos. img.src = newUrl ingênuo causa um flash branco durante o loading. Em vez disso: criar uma Image() off-screen, setar seu src, esperar o onload, então trocar o img.src visível. Zero flicker.

Inclusão de zona baseada em percentual. Não deixe zonas de liquidação distantes ditarem seu eixo Y. Se uma zona está a 15% do preço, anote como texto, não estique o gráfico. Essa insight levou cinco iterações.

Scoring de pânico com baseline 50. O scorer inicial escalava 0-100 com saturação em 100 em mercados calmos. Inútil. Recentrado em 50 para condições normais, com thresholds de funding calibrados por moeda a partir de 90 dias de perfis de distribuição. Um score de 65 agora realmente significa algo.

A IA não precisa de charts. Ela precisa do texto do briefing. Charts são para a intuição do humano. A IA raciocina sobre números. Interfaces diferentes para inteligências diferentes.

Estado Atual

Cinco alertas de cascata processados. Todos HOLD — o framework de decisão requer pânico >70 para moedas mid-cap, >75 para BTC/ETH. Estamos em modo de observação, construindo um perfil estatístico da qualidade dos alertas. O tracking de outcomes mostra que nosso primeiro HOLD foi correto: fade daquele squeeze de XRP teria perdido 7.3%.

O Mothership roda num Dell Latitude 3500. Sem GPU. Sem cloud. localhost:8050. Todo o stack — watcher, collector, dashboard, agente de IA — custa exatamente $0/dia em infraestrutura. O único custo é a assinatura de IA que já estamos pagando.

Dashboard está ao vivo. A floresta observa.

Código Fonte

O código de pesquisa por trás deste projeto é open source: github.com/vedaripuruc/quant-research

Pesquisa Relacionada