# InelidaMarketScan — Análise Científica dos Mercados Financeiros com Machine Learning

> **Pesquisa em Finanças Quantitativas: ICT, Ichimoku, XGBoost e Cálculo Estocástico**
> Por **Didier Vally / Reuniware Systems**
> Versão 1.0.6 — 2026-07-19
> 📦 PyPI: [https://pypi.org/project/inelida-marketscan](https://pypi.org/project/inelida-marketscan) | GitHub: [https://github.com/reuniware/InelidaMarketScanner](https://github.com/reuniware/InelidaMarketScanner)

---

## Resumo

Este documento apresenta os resultados de 6 meses de pesquisa em finanças quantitativas aplicadas ao trading algorítmico. O framework InelidaMarketScan combina análise técnica ICT (Inner Circle Trader) e Ichimoku multi-timeframe com um pipeline de Machine Learning XGBoost (123 features) e funções de cálculo estocástico (Ornstein-Uhlenbeck, Hurst, GARCH, Monte Carlo, Kelly). O modelo v18 atinge 64,0% de precisão em validação cruzada em 1.210 trades históricos. A análise de 27 modelos sucessivos revela que as features Ichimoku (distâncias Kijun/Tenkan, cruzamentos T/K) são mais preditivas que os padrões ICT (FVG, Order Blocks). A simulação de capital com filtragem ML% ≥ 50% mostra um fator de lucro de 2,27 em dados in-sample, enquanto a validação out-of-sample identifica um teto em 1,173. Este documento constitui uma referência científica completa sobre a interseção entre ICT, Ichimoku e Machine Learning.

---

## 1. Introdução

### 1.1 Contexto e Problemática

O trading algorítmico baseia-se na identificação de padrões recorrentes nas séries temporais financeiras. Os conceitos ICT (Inner Circle Trader) desenvolvidos por Michael Huddleston descrevem o comportamento institucional dos mercados: varreduras de liquidez, Fair Value Gaps, Order Blocks, Market Structure Shifts. Paralelamente, o indicador Ichimoku Kinko Hyo fornece uma leitura multi-timeframe do equilíbrio do mercado. Este projeto explora a fusão destes dois paradigmas através de um scanner automatizado acoplado a um modelo XGBoost.

### 1.2 Objetivos de Pesquisa

1. Desenvolver um scanner automático combinando ICT e Ichimoku em 8 timeframes (M5 a MN). 2. Construir um pipeline ML com 123 features nomeadas extraídas do scanner. 3. Validar o poder preditivo via backtest histórico (2025-2026) e teste out-of-sample. 4. Integrar funções de finanças quantitativas (OU, Hurst, GARCH, Monte Carlo, Kelly). 5. Atingir um fator de lucro > 1,5 em condições reais.

## 2. Fundamentos Teóricos ICT

Os conceitos ICT modelam o comportamento das instituições financeiras (bancos, hedge funds) que manipulam os níveis de preço para acumular posições. Os 8 conceitos seguintes são detectados automaticamente pelo scanner:

| Conceito ICT | Descrição e Detecção |
|:---|:---|
| **Varreduras de Liquidez** | Ruptura breve de um nível-chave (Asian High/Low, London High/Low) para acionar stops antes da reversão. Detectado em H1 com confirmação de reversão. |
| **Fair Value Gaps (FVG)** | Lacuna entre 3 velas consecutivas onde o preço não negociou. Detectado em 6 TFs (M5 a D1) com porcentagem de mitigação. |
| **Order Blocks (OB)** | Última vela antes de um impulso direcional — zona onde as instituições colocaram ordens. Detectado via ATR(14) em 6 TFs. |
| **Breaker Blocks (BRK)** | Order Block quebrado que se inverte em suporte/resistência oposto. Derivado dos OBs existentes. |
| **Market Structure Shift (MSS/BOS)** | Mudança na estrutura do mercado: Break of Structure e Change of Character em 6 TFs. |
| **Volume HVN/LVN** | High Volume Node e Low Volume Node baseados no tick volume MT5. Detectado em 6 TFs. |
| **Reversal Pipeline** | Cadeia completa varredura → reversão → confirmação com contador de barras pós-varredura. |
| **Extensões de Fibonacci** | Extensões +1,618 a +4,0 baseadas no range asiático para alvos de TP. |

## 3. Arquitetura Ichimoku Multi-TF

O scanner Diamond analisa 8 timeframes simultaneamente. Para cada TF, 5 componentes Ichimoku são calculados:

| Timeframe | Tenkan | Kijun | Kumo | T/K Cross | Flat History |
|:---|:---:|:---:|:---:|:---:|:---:|
| **M5** | X | X | - | X | - |
| **M15** | X | X | - | X | - |
| **M30** | X | X | - | X | - |
| **H1** | X | X | X | X | X |
| **H4** | X | X | X | X | X |
| **D1** | X | X | X | X | X |
| **W1** | X | X | X | X | X |
| **MN** | X | X | X | X | X |

## 4. Arquitetura do Scanner Diamond

O Diamond Scanner agrega 109 critérios de pontuação em 10 categorias:

| Categoria | Critérios | Exemplos |
|:---|---:|:---|
| Ichimoku H1-D1 | 24 | Distâncias Kijun/Tenkan, cruzamentos T/K, posições Kumo, Flat bars |
| Ichimoku W1-MN | 8 | Kijun W1/MN, Kumo W1/MN, cor da nuvem, Dupla memória |
| FVG (6 TFs) | 12 | FVG bear/bull M5 a D1, % de mitigação, prioridade temporal |
| Order Blocks (6 TFs) | 12 | OB bear/bull M5 a D1, posição ACIMA/ABAIXO/EM |
| MSS/BOS (6 TFs) | 18 | Regime, BOS, CHoCH em M5 a D1 |
| Volume HVN/LVN (6 TFs) | 12 | Pico de volume, HVN, LVN em M5 a D1 |
| Breaker Blocks (6 TFs) | 12 | BRK bear/bull M5 a D1 |
| Varreduras Asian/London | 4 | Varredura AH/AL, varredura London H/L |
| Reversal Pipeline | 5 | Varredura→reversão→confirmação, FVG pós-varredura, reteste |
| Kijun M30/M15/M5 | 2 | Cruzamento direcional Kijun M30/M15/M5 |

**Pontuação máxima:** 109 critérios (107 sem MN)

## 5. Pipeline de Machine Learning

O pipeline ML transforma os resultados do scanner em probabilidade de ganho em 3 etapas:

| Etapa | Ferramenta | Detalhes |
|:---:|:---|:---|
| 1 | `ml_labeler.py` | Extração de features do scan Diamond (BD / CSV manual / backtest). Gera CSV rotulado com coluna outcome (1=ganho, 0=perda). |
| 2 | `ml_trainer.py` | Treinamento XGBoost com validação cruzada 5-fold, scale_pos_weight para classes desequilibradas, grid search de hiperparâmetros. |
| 3 | `ml_predictor.py` | Inferência em tempo real: extract_features() → predict_proba() → ML% exibido no scan ao vivo. MLPredictor simplificado: 1 joblib.load em vez de 5. |

## 6. Modelo XGBoost v18 — Configuração

O modelo v18 é o modelo de produção ativo. Treinado em 1.210 trades históricos com 123 features nomeadas (incluindo GARCH e estocástico).

| Hiperparâmetro | Valor |
|:---|:---|
| `max_depth` | 6 |
| `learning_rate` | 0.03 |
| `n_estimators` | 200 |
| `subsample` | 0.8 |
| `min_child_weight` | 3 |
| `gamma` | 0.1 |
| `reg_alpha` | 0.5 (L1) |
| `reg_lambda` | 1.0 (L2) |
| `scale_pos_weight` | auto (baseado na razão win/loss) |

**123 features nomeadas** incluem: pontuações/viés (6), Kijun 6 TFs (18), Tenkan 6 TFs (18), cruzamentos T/K (6), Kumo (6), cruzamentos M5/M15/M30 (12), Flat bars (2), FVGs ativos (1), Order Blocks (6), Varreduras (5), Volume (6), MSS/BOS (6), Breaker Blocks (6), Compressão (1), Estocástico (8: OU, Hurst, Monte Carlo, GARCH), Temporal (3), Tipo de ativo (3).

## 7. Histórico de Modelos

27 modelos XGBoost foram treinados e avaliados desde o início do projeto. Aqui está o histórico das versões principais:

| Modelo | Dados | Features | Trades | CV | OOS PF | Status |
|:---|:---|---:|---:|:---:|:---:|
| v1 | 6 principais | 36 | 852 | 61.0% | — | Arquivado |
| v4 | 13 símbolos | 111 | 1.210 | 62.9% | 1.26* | In-sample (leakage) |
| v7 | 13 símbolos | 25 melhores | 2.923 | 60.1% | 1.173 | 🥇 Melhor OOS unificado |
| v13 | 4 modelos/ativo | 25 | 2.923 | 53-64% | 4.000 | 🏆 Por ativo (15 trades) |
| v15 | 2025-2026 | 25 + OU/Hurst | 5.009 | 59.8% | — | Estocástico integrado |
| v18 | 13 símbolos | 123 (GARCH) | 1.210 | 64.0% | 0.503 F1 | [X] Produção ativo |

## 8. Importância das Features (v4)

A análise de importância das features revela quais critérios pesam mais nas decisões do modelo:

| Rank | Feature | Ganho | Insight |
|:---:|:---|:---:|:---|
| 1 | `is_dxy` | 14.2 | O dólar segue uma lógica radicalmente diferente dos pares forex |
| 2 | `rr` | 10.0 | A razão risk/reward teórica prevê o resultado real |
| 3 | `tkx_h1` | 9.2 | O cruzamento Tenkan/Kijun H1 é o melhor preditor individual |
| 4 | `kj_h1` | 6.9 | A distância à Kijun H1 captura o equilíbrio de curto prazo |
| 5 | `sl` | 6.4 | O nível de stop-loss é tão importante quanto o take-profit |
| 6 | `day_wednesday` | 6.4 | Quartas-feiras (FOMC) mostram comportamento estatisticamente distinto |
| 7 | `d_kj_h4` | 6.3 | A distância à Kijun H4 indica a tendência subjacente |
| 8 | `d_kj_d1` | 6.0 | A distância à Kijun D1 ancora o contexto macro |
| 9 | `tkx_h4` | 6.0 | O cruzamento T/K H4 confirma a tendência de sessão |
| 10 | `is_forex` | 5.9 | Os pares FX têm comportamento próprio vs índices/metais |

## 9. Validação Out-of-Sample

A validação OOS (treinamento Janeiro-Junho 2026, teste Julho 2026) é o teste decisivo. O modelo v4 mostra um PF in-sample de 2,27 no limiar ML% ≥ 50%, mas isso inclui data leakage (o modelo viu 80% dos dados de teste durante o treinamento). O verdadeiro PF OOS do v7 é 1,173 — uma vantagem estatisticamente significativa mas modesta. O modelo v13 (por ativo) atinge PF=4,000 em 15 trades, mas a amostra é muito pequena para ser confiável. Conclusão: o ML fornece uma vantagem real (PF > 1,0), mas o teto atual é ~1,17 com arquitetura unificada.

## 10. Simulação de Capital — Filtragem ML%

Simulação em 1.210 trades históricos com capital inicial de 10.000 € e risco de 1% por trade:

| Limiar ML% | Trades | Taxa de Acerto | PF (RR) | L&P (10k€) |
|:---|---:|---:|:---:|---:|
| Sem filtro | 1.210 | 37.6% | 1.02 | +1.442 € |
| ML% ≥ 45% | 661 | 54.3% | 1.91 🔥 | +27.542 € |
| ML% ≥ 50% | 504 | 59.7% | 2.27 🔥🔥 | +25.842 € |
| ML% ≥ 55% | 327 | 67.3% | 2.80 | +19.242 € |
| ML% ≥ 60% | 170 | 78.8% | 3.59 | +9.340 € |
| ML% ≥ 70% | 71 | 88.7% | 1.64 | +514 € |

## 11. Finanças Quantitativas e Cálculo Estocástico

6 funções de finanças quantitativas foram integradas ao scanner e ao pipeline ML. Estas funções calculam métricas de risco, volatilidade e regime de mercado:

| Função | Objetivo | Feature ML | Rank v18 |
|:---|:---|:---|:---:|
| **Ornstein-Uhlenbeck** | Detecta a sobreextensão do preço em relação à sua média de longo prazo. Score 0-100%: >80% = reversão provável. | `ou_score` | Não testado |
| **Expoente de Hurst** | Classifica o regime de mercado: H < 0.45 = RANGE, H > 0.55 = TENDÊNCIA. | `hurst_h` | Não testado |
| **GARCH(1,1)** | Modela a volatilidade condicional. 4 features: persistência, vol_longo_prazo, meia-vida, vol_previsão. | `garch_persistence` | #14 |
| **Monte Carlo** | Simula 10.000 trajetórias de preço. Calcula P(SL atingido) e P(TP atingido). | `mc_p_sl, mc_p_tp` | Não testado |
| **Critério de Kelly** | Dimensionamento ótimo de posições por tipo de ativo. Ganho=0.00 (redundante com SL/TP já otimizados). | `kelly_full` | #124 |
| **Ruína FTMO** | Probabilidade de ruína de uma conta prop firm com drawdown de 10% em 100 trades simulados. | `ftmo_ruin_prob` | Não testado |

## 12. Critério de Kelly por Tipo de Ativo

O Critério de Kelly usa taxas de acerto reais por tipo de ativo (do backtest) em vez de um win_rate=0.40 uniforme. Resultados:

| Tipo de Ativo | Taxa de Acerto | Kelly Cheio | Kelly Meio |
|:---|---:|:---:|:---:|
| **DXY** | 73% | 46.0% | 23.0% |
| **XAUUSD** | 42% | 13.0% | 6.5% |
| **Forex** | 31% | 3.5% | 1.8% |
| **Índices** | 38% | 7.0% | 3.5% |
| **Cripto** | 35% | 2.5% | 1.3% |

## 13. MLPredictor Simplificado (19/07/2026)

O MLPredictor carregava anteriormente o mesmo modelo 5 vezes (1× por método de predição). A simplificação de 19/07/2026 reduziu isso a um único `joblib.load()`. Resultado: 30 linhas de código removidas, tempo de carregamento dividido por 4, e o `_ASSET_MODEL_MAP` redundante eliminado. O modelo v18 é agora o modelo unificado único para todos os tipos de ativos.

## 14. Correção de Bugs — 19/07/2026

Uma revisão de código minuciosa em 19/07/2026 identificou e corrigiu 4 bugs:

| # | Gravidade | Arquivo | Descrição |
|:---:|:---|:---|:---|
| 1 | CRÍTICO | `diamond_scanner.py` | Código morto após `return` em `ml_available` — os símbolos nunca eram ativados. `initialize()` não definia `_initialized = True`. |
| 2 | ALTO | `stochastic_analytics.py` | GARCH: se nenhum par (α,β) válido encontrado, fallback silencioso com parâmetros inventados. Adicionada verificação `best_ll <= -1e100`. |
| 3 | MÉDIO | `stochastic_analytics.py` | Monte Carlo: o fallback de volatilidade (log-returns) era calculado mas nunca usado quando o sigma OU era zero. |
| 4 | BAIXO | `stochastic_analytics.py` | FTMO: `pnl_avg`/`roi_avg` fora do bloco try — risco de NameError se código adicionado entre cálculo e return. |

## 15. Matriz de Decisão Final

A matriz de decisão combina pontuação Diamond, ML%, guardrails e contexto macro:

| Condição | Ação | Justificativa |
|:---|:---:|:---|
| ML% ≥ 60% + TKx H1 alinhado + sem HIGH NEWS | 🟢 GO | Tripla confirmação: ML, Ichimoku, macro |
| ML% ≥ 60% + TKx H1 conflito | 🟡 AGUARDAR | O ML é contradito pelo cruzamento T/K H1 |
| ML% 50-60% + TKx H1 alinhado | 🟡 CUIDADO | Vantagem ML moderada, necessita confirmação adicional |
| ML% < 50% | 🔴 NO GO | O modelo não tem vantagem estatística |
| HIGH NEWS DAY + BULL | 🔴 AGUARDAR | Dias macro (≥2 eventos maiores) quebram correlações |
| Quarta-feira (dia FOMC) + Forex | 🟡 Risco Alto | Quartas-feiras mostram comportamento estatisticamente distinto |

## 16. Conclusão e Perspectivas

O projeto InelidaMarketScan demonstra que um pipeline ML treinado com features Ichimoku pode gerar uma vantagem estatística significativa (PF OOS = 1,173). Os 4 bugs críticos corrigidos em 19/07/2026 reforçam a confiabilidade do scanner ao vivo. Os 27 modelos sucessivos revelaram insights-chave: as features Ichimoku são mais preditivas que os padrões ICT, o tipo de ativo (is_dxy, is_forex) é um preditor principal, e as funções de cálculo estocástico fornecem sinal complementar de volatilidade. O próximo salto de desempenho exigirá um dataset maior (2024-2026, >5.000 trades/ativo) e potencialmente arquiteturas de deep learning.

## Referências

- Huddleston, M. — Inner Circle Trader (ICT) Concepts, 2022-2024
- Chen, T. & Guestrin, C. — XGBoost: A Scalable Tree Boosting System, KDD 2016
- Bollerslev, T. — Generalized Autoregressive Conditional Heteroskedasticity, Journal of Econometrics, 1986
- Hurst, H.E. — Long-term Storage Capacity of Reservoirs, Trans. ASCE, 1951
- Uhlenbeck, G.E. & Ornstein, L.S. — On the Theory of Brownian Motion, Physical Review, 1930
- Kelly, J.L. — A New Interpretation of Information Rate, Bell System Technical Journal, 1956
- Hosoda, G. — Ichimoku Kinko Hyo, 1968

---

> **Obra de pesquisa em finanças quantitativas. Reprodução permitida com citação.**

## 🌐 Comunidade

Junte-se ao servidor Discord **Trading Pro** para se conectar com a comunidade: https://discord.gg/u9JApXqhXy

---

> **Didier Vally / Reuniware Systems** — InelidaMarketScan v1.0.6
> 2026-07-19