Desafio Quant AI 2026 - Robo Quantitativo com Agente OpenAI

Projeto completo para competir no Desafio Quant AI 2026: estrategia quantitativa funcional, backtest reproduzivel, gestao de risco, dashboard, relatorios e agente OpenAI auditavel.

Aviso: este projeto e educacional e nao constitui recomendacao de investimento.

Ideia central

A estrategia inicial e uma rotacao mensal multiativos. Em cada rebalanceamento, o robo:

1. baixa precos ajustados via Yahoo Finance quando houver internet;
2. usa dados sinteticos realistas quando estiver offline;
3. calcula momentum, qualidade de tendencia, volatilidade e RSI;
4. aplica filtro de regime de mercado;
5. escolhe os ativos com melhor pontuacao;
6. pondera a carteira por risco inverso;
7. aplica custo de transacao;
8. compara contra benchmark;
9. envia o snapshot para um agente OpenAI que atua como comite de analise, risco e comunicacao.

Diferencial competitivo

O projeto nao usa IA como enfeite. A decisao de investimento vem do motor quantitativo; a IA Generativa recebe resultados auditaveis e produz parecer executivo, riscos, melhorias e narrativa para banca.

Arquivos-chave:

• src/quant_ai/strategy.py: metodologia quantitativa.
• src/quant_ai/agent.py: agente OpenAI e fallback auditado.
• reports/agent_audit.json: prova de auditoria da IA.
• reports/agent_report.md: parecer do agente.
• reports/executive_report.md: relatorio final.

Como rodar

Instalar dependencias

pip install -r requirements.txt

Rodar sem chave OpenAI

python run_backtest.py --config configs/default.yml

O projeto roda com fallback auditado e gera todos os relatorios.

Rodar com agente OpenAI real

set OPENAI_API_KEY=sua_chave
set OPENAI_MODEL=gpt-5.4-nano
python run_backtest.py --config configs/default.yml --use-agent

Abrir dashboard

streamlit run app.py

Entregaveis gerados

Depois de rodar, a pasta reports/ tera:

• equity_curve.csv: curva de capital da estrategia e benchmark.
• positions.csv: pesos por data e ativo.
• trades.csv: alteracoes de posicao.
• metrics.json: metricas de performance.
• agent_report.md: parecer do agente OpenAI.
• agent_audit.json: status, modelo, custo estimado e fallback.
• executive_report.md: relatorio pronto para apresentacao.
• dashboard.html: painel estatico para abrir no navegador.
• equity_curve.png: grafico da curva de capital.
• drawdown.png: grafico de drawdown.

Custo da IA

A configuracao-base usa gpt-5.4-nano. Na premissa do projeto, o custo estimado e cerca de US$ 0,33 para 4 meses de uso, aproximadamente R$ 1,80 com US$ 1 = R$ 5,50.

Deploy online

O projeto ja inclui:

• .github/workflows/backtest.yml: execucao agendada em GitHub Actions.
• .streamlit/secrets.example.toml: exemplo de secrets para Streamlit Cloud.
• DEPLOY_ONLINE.md: guia de publicacao.
• SECRETS_SETUP.md: como configurar a chave OpenAI sem expor segredo.
• INFORMACOES_NECESSARIAS.md: informacoes que faltam para subir em cloud real.

Onde personalizar sua metodologia

• Troque a lista de ativos em configs/default.yml.
• Ajuste fatores e pesos em src/quant_ai/strategy.py.
• Altere regras de risco em src/quant_ai/backtest.py.
• Mude o prompt do agente em src/quant_ai/agent.py.
• Adicione novas fontes de dados em src/quant_ai/data.py.

Criterios de avaliacao cobertos

Criterio	Como o projeto atende
Estrategia quantitativa	Ranking, selecao, ponderacao, rebalanceamento e benchmark
IA Generativa	Agente OpenAI com auditoria e fallback
Clareza de raciocinio	README, metodologia, pitch, relatorio e dashboard
Rigor conceitual	Custos, drawdown, volatilidade, benchmark e controles
Criatividade	IA como comite de risco e comunicacao, nao como chatbot
Comunicacao	Relatorio executivo, dashboard e roteiro de pitch

Referencias

• OpenAI Agents SDK: https://openai.github.io/openai-agents-python/
• Qlib: https://arxiv.org/abs/2009.11189
• Quant 4.0: https://arxiv.org/abs/2301.04020
• Streamlit Community Cloud: https://docs.streamlit.io/deploy/streamlit-community-cloud