PáginasIntrodução · 1 / 29
Introdução
O QuantCraft é uma plataforma de trading que também pode ser usada para criar, testar e aprimorar estratégias de trading algorítmico em Python.
Ele oferece um único fluxo de trabalho para escrever código, configurar testes, executar backtests e revisar resultados sem sair do aplicativo.
Se você é novo no QuantCraft, comece por Primeiros passos e concentre-se neste ciclo essencial:
- Criar ou abrir um arquivo de estratégia
- Escrever a lógica da estratégia e seus parâmetros
- Executar um backtest com os símbolos e o intervalo de datas escolhidos
- Revisar logs, gráficos e métricas de operações e desempenho
- Ajustar e executar novamente
O que o QuantCraft inclui (o essencial)
Espaço de código
- Layout do espaço de trabalho: barra lateral de arquivos e pastas para projetos de estratégia
- Editor Python com várias abas
- Fluxo de Save, Save As e importação/exportação de arquivos
.py
Editor Python
- Criação de estratégias em Python
- Ferramentas de edição como desfazer/refazer, localizar/substituir, formatação e opções de tema e fonte
- Dependências (interface de Packages) para as bibliotecas usadas pelo seu script
Execução e backtest
- Execução de código: Run rápido para um retorno imediato do script
- Backtests: fluxo estruturado para avaliação histórica
- Parâmetros de entrada para estratégias configuráveis
APIs de execução de estratégias integradas
- Callbacks do ciclo de vida da estratégia (
on_init,on_bar,on_tick,on_timer,on_finish) - Modelo de conta para o comportamento de posições, saldos e P&L
- Dados OHLCV e de barras para barras de mercado e intervalos de tempo secundários (
get_bar,Timeframe) - Dados fundamentalistas (quando disponíveis) para dados no nível das demonstrações financeiras
- Fatores de Fama-French (Premium) para séries mensais globais de retorno de fatores em backtests e execuções futuras
- Séries de indicadores para sobreposições de gráfico nos resultados
Resultados e diagnóstico
- Painel de saída para logs, erros e progresso
- Resultados dos testes para desempenho, curva de patrimônio/gráficos e histórico de operações
- Exportação dos resultados de backtest quando houver suporte
QuantCraft AI (opcional, mas útil)
- Assistente integrado ao IDE para explicar, gerar e editar o código da estratégia
- Sessões de chat com seleção de modelo e interações cientes dos arquivos
O que você precisa saber antes do primeiro uso
- As estratégias do QuantCraft são scripts Python executados no contexto de execução do QuantCraft.
- Os backtests usam um modelo de conta simulado (comportamento de conta simulada, não execução real em corretora).
- O ciclo de vida da estratégia e os módulos de dados (OHLCV, dados fundamentalistas, fatores de Fama-French) são o seu contrato de API.
- Os parâmetros de entrada são a forma recomendada de ajustar valores sem editar o código a cada execução.
- Sempre valide com várias execuções (símbolos e janelas diferentes) antes de confiar no desempenho.
Fluxo mínimo do “primeiro sucesso”
1. Criar um arquivo de estratégia
- Abra o QuantCraft (Layout do espaço de trabalho)
- Crie um novo arquivo de estratégia
.py(ou importe um)
2. Adicionar um esqueleto básico de estratégia
- Defina os callbacks do ciclo de vida
- Comece com
on_init, depois implemente a lógica de barra/tick e, por fim, os resumos emon_finish
3. Definir os parâmetros de entrada
- Adicione
paramspara que limites e períodos possam ser alterados pela interface de backtest
4. Configurar e executar um backtest
- Escolha o(s) símbolo(s), o intervalo de tempo e a janela de datas (Backtests)
- Execute o Test (Execução de código) e acompanhe o Painel de saída e o progresso
5. Inspecionar os resultados
- Verifique os logs em busca de erros e avisos
- Revise os Resultados dos testes: estatísticas de desempenho e de operações
- Valide as sobreposições de indicadores e a consistência do comportamento
6. Iterar
- Refine a lógica de entradas, saídas e risco
- Execute novamente com entradas alteradas e janelas de teste mais amplas
Conceitos essenciais que você precisa entender
Ciclo de vida da estratégia
Veja Ciclo de vida da estratégia: on_init, on_bar/on_tick, on_timer opcional e on_finish.
Estado da conta
Sua estratégia usa o modelo de conta (carteira simulada). Entenda como ordens e posições atualizam o P&L ao longo da execução.
Escopo dos dados
Os dados OHLCV conduzem a maior parte da lógica técnica. Os dados fundamentalistas são opcionais e podem variar por símbolo. Seja explícito sobre as premissas de dados e o período de aquecimento.
Entradas e reprodutibilidade
Use parâmetros de entrada para experimentos consistentes.
- Mantenha fixas as condições de execução ao comparar revisões da estratégia.
Regras práticas para um uso confiável
- Comece simples; adicione complexidade somente depois que a lógica básica estiver estável.
- Registre as decisões principais (motivos de entrada e saída) para facilitar a depuração.
- Não avalie com um único símbolo nem com um intervalo de datas curto.
- Verifique se as sobreposições do gráfico estão alinhadas com o comportamento real das operações.
- Trate resultados de backtest excepcionalmente bons como suspeitos até passarem por testes de estresse.
Erros comuns a evitar
- Escrever toda a lógica em um único callback, sem tratamento claro de estado
- Fixar no código constantes ajustáveis em vez de usar entradas
- Ignorar o aquecimento e a disponibilidade de dados antes de calcular sinais
- Superajustar a um único regime de mercado ou a um intervalo de datas estreito
- Confiar no retorno de destaque sem verificar o drawdown e a distribuição das operações
Quando usar o QuantCraft AI
Use a IA quando precisar de ajuda para:
- Refatorar código de estratégia desorganizado
- Adicionar parametrização e uma estrutura mais limpa
- Explicar bugs no fluxo dos callbacks
- Gerar esqueletos de indicadores, entradas e saídas
Não confie cegamente na saída da IA — sempre execute e valide em backtests.
O resultado que você deve esperar desta documentação
Depois de ler a documentação em ordem (veja também a Referência), você deverá ser capaz de:
- Navegar rapidamente pelo espaço de trabalho
- Criar uma estratégia executável do zero
- Usar corretamente os callbacks do ciclo de vida
- Configurar backtests com entradas relevantes
- Interpretar os resultados e iterar rumo a uma lógica robusta