BTC Prediction Project

Projeto de previsão de preço do Bitcoin usando Machine Learning com arquitetura modular e dashboard interativo.

Estrutura do Projeto

/Tech_Challenge_3
├── .devcontainer/              # Configurações do Dev Container
├── .git/                       # Repositório Git
├── .venv/                      # Ambiente virtual Python
├── src/
│   ├── ApiHandler/
│   │   └── data_api.py         # Coleta de dados via yfinance
│   ├── AuthHandler/
│   │   └── auth.py             # Gerenciamento de autenticação de usuários
│   ├── BacktestHandler/
│   │   └── backtesting.py      # Lógica para backtesting de estratégias
│   ├── DataHandler/
│   │   ├── data_handler.py     # Gerenciamento do DB de preços (btc_prices.db)
│   │   ├── model_db_handler.py # Gerenciamento do DB de modelos (models.db)
│   │   └── feature_engineering.py # Criação de features
│   ├── LogHandler/
│   │   └── log_config.py       # Configuração de logs
│   ├── ModelHandler/
│   │   ├── train_model.py      # Treinamento do modelo
│   │   └── predict.py          # Previsões
│   ├── Orchestration/
│   │   ├── run_project.py      # Script de configuração inicial (obsoleto)
│   │   └── update_scheduler.py # Lógica para atualização diária de dados
│   ├── __init__.py             # Inicializador do pacote src
│   └── config.py               # Configurações do projeto (paths)
├── .gitignore                  # Arquivos ignorados pelo Git
├── main.py                     # Interface Streamlit
├── requirements.txt            # Dependências do projeto
└── README.md                   # Documentação

Observações:

• Os bancos de dados btc_prices.db, users.db e models.db são criados dinamicamente no diretório src/DataHandler/.
• Os diretórios __pycache__ são criados automaticamente pelo Python.

Instalação

1. Clone o repositório
2. Crie e ative um ambiente virtual:

python -m venv .venv
source .venv/bin/activate  # Linux/macOS
.venv\Scripts\activate    # Windows

3. Instale as dependências:

pip install -r requirements.txt

Uso

Para iniciar o dashboard interativo:

streamlit run main.py

A aplicação irá iniciar e apresentar uma tela de login. Você pode criar um novo usuário e, após o login, o dashboard será exibido. A primeira carga de dados é feita automaticamente em segundo plano.

Funcionalidades

Coleta de Dados

• Fonte: Yahoo Finance (yfinance)
• Atualização Automática: Os dados são atualizados diariamente em segundo plano para incluir o dia mais recente.
• Armazenamento: SQLite local (btc_prices.db).

Engenharia de Features

• Indicadores Técnicos: SMA, RSI, EMA, MACD, Bandas de Bollinger, Oscilador Estocástico.
• Target: Classificação binária (Alta/Queda do próximo dia).

Modelo de Machine Learning

• Algoritmo: LightGBM Classifier
• Validação: Time Series Split (3 folds)
• Métricas: Accuracy e F1-Score
• Armazenamento: O modelo treinado, métricas e parâmetros são salvos em um banco de dados SQLite, associados à conta do usuário.

Dashboard Web

• Autenticação: Sistema de login e registro de usuários.
• Atualização Automática: Os dados de preço são atualizados diariamente em background.
• Gráfico interativo: Histórico de preços com Plotly, com seleção de período.
• Previsões: Botão para gerar previsão do próximo dia com a confiança do modelo do usuário.
• Treinamento Customizado: Interface para ajustar parâmetros de features e do modelo, e treinar um novo modelo para o usuário logado. Os parâmetros são salvos no banco de dados para futuras sessões.
• Backtesting: Página para simular uma estratégia de trading baseada no modelo treinado.

Fluxos da Aplicação

(Os diagramas de fluxo fornecem uma visão geral da lógica da aplicação. Note que o armazenamento, antes baseado em arquivos, agora é centralizado em bancos de dados SQLite.)

Fluxo Principal

Fluxo de Atualização de Dados (Dashboard)

Fluxo de Predição (Dashboard)

Fluxo de Treinamento (Configurações)

Fluxo de Backtesting

Arquitetura Modular

main.py

• Interface principal com Streamlit. Gerencia a navegação, estado da sessão e inicialização de tarefas em segundo plano (atualização de dados).

src/

• ApiHandler/: Coleta de dados externos.
• AuthHandler/: Gerencia a autenticação de usuários em seu próprio banco de dados (users.db).
• BacktestHandler/: Contém a lógica para executar a simulação de backtesting.
• DataHandler/:
  • data_handler.py: Gerencia o banco de dados de preços (btc_prices.db) e metadados (ex: data da última atualização).
  • model_db_handler.py: Gerencia o banco de dados de modelos e configurações dos usuários (models.db).
  • feature_engineering.py: Funções para calcular indicadores técnicos.
• LogHandler/: Configuração centralizada do logger.
• ModelHandler/:
  • train_model.py: Pipeline de treinamento que salva o modelo e métricas no banco de dados via model_db_handler.
  • predict.py: Carrega um modelo do banco de dados para fazer previsões.
• Orchestration/:
  • update_scheduler.py: Contém a lógica da tarefa em segundo plano que verifica e dispara a atualização diária dos dados.

Dependências

• pandas: Manipulação de dados
• yfinance: API do Yahoo Finance
• scikit-learn: Métricas e validação
• lightgbm: Algoritmo de ML
• joblib: Serialização do modelo
• streamlit: Interface web
• plotly: Visualizações interativas

Notas Técnicas

• Multi-usuário: A arquitetura suporta múltiplos usuários, onde cada um pode treinar, salvar e usar seu próprio modelo e configurações, persistidos em um banco de dados.
• Tarefas em Segundo Plano: A atualização diária de dados é executada em uma thread separada, garantindo que a interface do usuário não seja bloqueada.