📊 Day Trade Analytics em Tempo Real com IA

APP inteligente de análise de ações da Nasdaq usando Agentes de IA para apoiar decisões de trading

🎯 O Problema de Negócio

No day trade, tempo é dinheiro. Analisar múltiplas fontes de dados, cruzar notícias com indicadores técnicos e tomar decisões rápidas pode significar a diferença entre lucro e prejuízo.
Este projeto vem para consolidar análise técnica + sentimento de mercado em uma única interface para suportar investidores.

💡 A Solução

Sistema web que combina:

• Agentes de IA autônomos que buscam notícias e dados financeiros em tempo real
• Análise técnica automatizada (candlesticks, médias móveis, volume)
• Infraestrutura AWS para rodar 24/7 e servir múltiplos usuários

Resultado: De 15 minutos de análise manual para insights instantâneos.

🎯 Outras Aplicações

A arquitetura de Multi-Agent AI pode ser adaptada para diversos cenários onde é necessário consolidar múltiplas fontes em tempo real:

💼 Finanças & Investimentos

• 📊 Análise de Múltiplos Ativos: Comparar MSFT, AAPL, GOOGL com dashboard lado a lado
• 🏦 Análise de Portfólio: Avaliar risco de carteira diversificada

📈 Business Intelligence

• 🛒 Monitoramento de Concorrentes: Consolidar preços, promoções e reviews
• 📰 Sentimento de Marca: Agregar menções em news e redes sociais

🚨 Alertas & Automação

• 📲 Notificações Inteligentes: "Avise se TSLA subir 5%"
• 📉 Backtest de Estratégias: Simular regras nos últimos 6 meses

Conceito-chave: Qualquer problema que exija coordenação de múltiplas fontes + análise inteligente + decisão rápida.

🎬 Demonstração APP Local

🎬 Demonstração APP AWS

🚀 Features

• Multi-Agent AI System: 3 agentes especializados trabalhando em equipe

  • Agente de Web Search (DuckDuckGo)
  • Agente Financeiro (YFinance)
  • Coordenador Multi-Agente

• Visualizações Interativas:

  • Gráfico de preços históricos (6 meses)
  • Candlestick chart
  • Médias móveis (SMA e EMA)
  • Volume de negociação

• Deploy Profissional:

  • Roda local ou na AWS
  • Configuração para execução em segundo plano
  • Escalável para múltiplos usuários

🛠️ Stack Técnica

Python 3.9+
├── Streamlit         # Interface web
├── Phi Framework     # Orquestração de agentes
├── Groq              # LLM inference (OpenAI GPT)
├── YFinance          # Dados financeiros
├── Plotly            # Visualizações interativas
└── AWS EC2           # Deploy em produção

📦 Instalação

Pré-requisitos

• Python 3.9+
• Conta Groq (API key gratuita)
• AWS Account (opcional, para deploy)

Setup Local

# Clone o repositório
git clone https://github.com/biasandrade/ai-day-trade-analytics-groq-aws.git
cd ai-day-trade-analytics-groq-aws

# Crie um ambiente virtual
python -m venv venv
source venv/bin/activate  # Linux/Mac
# ou
venv\Scripts\activate  # Windows

# Instale as dependências
pip install -r requirements.txt

# Configure as variáveis de ambiente
cp .env.example .env
# Edite o .env com sua GROQ_API_KEY

Configuração da API Key

1. Crie uma conta gratuita em Groq
2. Gere sua API key
3. Adicione no arquivo .env:

GROQ_API_KEY=sua_chave_aqui

▶️ Como Usar

Execução Local

streamlit run ba_app.py

Acesse: http://localhost:8501

Deploy na AWS

# Conecte na sua instância EC2
ssh -i sua-chave.pem ec2-user@seu-ip

# Clone e configure o projeto
git clone https://github.com/biasandrade/ai-day-trade-analytics-groq-aws.git
cd ai-day-trade-analytics-groq-aws

pip install -r requirements.txt

# Execute em segundo plano
nohup streamlit run ba_app.py --server.port 8501 &

Configure o Security Group da EC2 para liberar a porta 8501.

📊 Exemplo de Uso

1. Digite o ticker da ação (ex: MSFT, TSLA, AMZN)
2. Clique em "Analisar"
3. Aguarde enquanto os agentes de IA:
   • Buscam recomendações de analistas
   • Coletam notícias recentes
   • Extraem dados fundamentalistas
4. Visualize os gráficos e insights gerados

🎓 Aprendizado

Este projeto me permitiu integrar minhas duas áreas:

Do lado dos negócios:

• Apliquei conceitos de trading que uso há 8 anos
• Resolvi um problema real de produtividade
• Pensei em escalabilidade e monetização

Do lado técnico:

• Arquitetura de multi-agentes
• Integração de LLMs em aplicações reais
• Deploy em cloud com AWS
• Cache e otimização de performance

🔮 Próximos Passos

• Modelo preditivo de preços (LSTM/Transformer)
• Alertas de trading (mensagens)

📫 Contato

Beatriz Andrade

• LinkedIn: andrade-beatriz
• Email: biasandrade@gmail.com
• GitHub: @biasandrade

Este projeto faz parte do curso "Business Analytics e Machine Learning Para Projetos de Data Science" do curso de Pós-graduação em Data Science da Data Science Academy.

⭐ Se este projeto te ajudou, deixe uma estrela!