Projeto C: HSAMA MLP Edge with Dynamic Bias

Este repositório contém a implementação principal da arquitetura HSAMA (Hierarchical Symbolic Meta-Architecture) adaptada para operar com interconexões baseadas em Perceptrons Multicamadas (MLP) com viés dinâmico gerado por hiper-redes (MLP Edge with Dynamic Bias).

O sistema é focado em trading quantitativo e modelagem de séries temporais de ativos digitais, integrando o processamento do grafo neural com um runtime robusto para tomadas de decisão em tempo real.

---

Arquitetura do Sistema

A arquitetura do Projeto C é composta por três camadas principais que se integram de forma ponta a ponta:

1. Modelo do Grafo (HSAMA Topology):

   • A interconexão entre as malhas neurais do grafo utiliza uma MLP oculta de duas frentes (W1, W2) com ativação SiLU.
   • O DNA meta-gerado pelas hiper-redes (hiper-geradoras) atua como um Viés Dinâmico acrescido a essas transformações lineares, adaptando a resposta do grafo ao regime de mercado.
   • O arquivo hsama.py concentra a definição matemática e a propagação (forward) do modelo.

2. Runtime e Memória Temporal (T1/T0 Runtime):

   • MultiScale Memory: Encoders baseados em GRU que retêm o histórico multi-escala temporal (curto, médio, longo prazo).
   • Replay Buffer: Buffer de experiência priorizado baseado em surpresa (Surprisal-Based Prioritized Replay Buffer) que impede o esquecimento catastrófico ao re-treinar o modelo com eventos raros ou de alta surpresa.
   • Surprisal Estimator: Avaliador dinâmico de regime de mercado que ajusta a temperatura estocástica do modelo e a taxa de exploração em tempo real.

3. Algoritmos de Aprendizado e Execução:

   • Funções de perda customizadas (loss.py e objectives.py) que minimizam o custo de transação, otimizam o PnL líquido e controlam a estabilidade via métricas de Sharpe e Drawdown.

---

Estrutura do Repositório

├── src/
│   ├── models/       # Modelagem do grafo neural (HSAMA, KAN, MLP Edge)
│   ├── runtime/      # Gerenciamento de memória multi-escala, Replay e Surprisal
│   └── learning/     # Objetivos de otimização e normalização causal
├── trade/
│   ├── data/         # Diretório para armazenamento dos dados históricos
│   ├── live_trading/ # Script de execução e monitoramento em produção real (Binance)
│   ├── paper_trading/# Execução simulada em ambiente Testnet com carteira virtual
│   ├── dataset.py    # Carregamento e alinhamento multi-timeframe causal
│   ├── features.py   # Engenharia de atributos técnicos e estatísticos
│   ├── loss.py       # Funções de perda voltadas a trading (Triplex Trading Loss)
│   ├── engine_walkforward.py  # Motor de treino e backtest em janelas Walk-Forward
│   └── engine_monolithic.py   # Motor de backtest end-to-end monolítico
├── tests/            # Testes unitários, funcionais e quantitativos
└── models/           # Checkpoints salvos dos modelos (.pt)

---

Como Executar

1. Configurando o Ambiente

Instale as dependências do projeto listadas no arquivo requirements.txt:

pip install -r requirements.txt

2. Executando os Testes

Para rodar a suíte completa de testes unitários e de integração:

.venv\Scripts\pytest

3. Executando Backtests e Treinamento

Para treinar e testar a estratégia em janelas Walk-Forward:

python trade/engine_walkforward.py

Para executar o treinamento e backtest monolítico:

python trade/engine_monolithic.py

4. Executando Paper Trading (Simulação Live)

Para iniciar o bot de simulação com carteira virtual conectando via API na Binance Testnet:

python trade/paper_trading/run.py --checkpoint models/walkforward_20260521_124443.pt --mode ledger_plus_testnet

5. Executando Live Trading (Produção Real)

Para rodar o bot de execução em produção real (exige confirmação de risco explícita):

python trade/live_trading/run.py --checkpoint models/walkforward_20260521_124443.pt --max-margin-balance 100 --max-order-notional 50 --i-understand-live-risk

Atenção: Defina as variáveis de ambiente necessárias (BINANCE_FUTURES_LIVE_API_KEY e BINANCE_FUTURES_LIVE_SECRET_KEY) no arquivo .env antes de rodar o bot.