BackTesting Framework

Um framewok completo de simulação e otimização de estratégias de trading (Backtesting) com análise avançada de performance e Algoritmos Genéticos.

📁 Estrutura do Projeto

A arquitetura foi modularizada para escalabilidade e clareza:

BackTesting/
├── config/                  # Arquivos JSON e YML (testes_risco.yml, optimization_config.json)
├── data/                    # Banco de dados SQLite e planilhas de entrada
├── output/                  # Relatórios HTML gerados e gráficos da otimização
├── src/                     # Código Fonte
│   ├── analysis/            # Módulo de otimização (GA) e análises estatísticas (SQN, MAE/MFE)
│   ├── database/            # Gerenciador de conexão com o SQLite (db_manager.py)
│   ├── engine/              # Core do backtesting (trade.py e operacional.py)
│   ├── reports/             # Scripts para geração de PDF/HTML
│   └── utils/               # Configurações de sistema e gerenciamento de pastas
├── tests/                   # Suite de Testes Automatizados (Pytest)
├── main.py                  # Entry Point único por CLI (Comandos de Terminal)
└── README.md                # Esta documentação

🚀 Como Utilizar (CLI via main.py)

A interação principal ocorre através do terminal com suporte a argumentos detalhados.

1. Ingestão de Dados

Carrega dados históricos de Excel (OHLC + Indicadores) e popula o SQLite.

python main.py --upload "C:\caminho\para\arquivo.xlsx"

2. Rodar apenas o Backtest (Simulação Base)

Roda os parâmetros defalt e exibe estatísticas vitais no console.

python main.py --run --contracts 3 --be 150 --stop-max 400

Parâmetros adicionais: --verbose (prints detalhados)

3. Geração de Relatórios

Gera as matrizes de distribuição MAE/MFE e um arquivo relatorio.html riquíssimo visualmente na pasta /output.

python main.py --run --report --title "Meu Setup"

4. Otimização por Algoritmo Genético (DEAP)

Explora o espaço de parâmetros definido em config/optimization_config.json buscando o melhor Score Híbrido (Recovery Factor * Profit Factor). Usa Multiprocessing por padrão em todas as CPUs disponíveis.

python main.py --ga

Você pode limitar as CPUs: python main.py --ga --workers 4 Saídas: output/optimization_result.json, output/optimization_report.html e um gráfico convergence_plot.png.

5. Executar Toda a Pipeline (Analise Simples)

python main.py --all

🧪 Como Rodar os Testes

O projeto utiliza pytest para assegurar que modificações no core não quebrem as funções existentes (TDD-friendly). Estando no terminal (dentro da pasta do projeto), basta digitar:

python -m pytest tests/

Ou, com maior nível de detalhes de execução:

python -m pytest tests/ -v

---

Este projeto está alinhado com as fases 1-6 do roadmap. Mais detalhes podem ser visualizados na pasta .agent/.