diBoaS Analytics
O cérebro quant: backtesting, risco por Monte Carlo, anomalias por ML.
- Papel
- Engenheiro único: arquitetura, metodologia quant, pipelines de dados
O backend quantitativo da diBoaS. Ele coleta dados de mercado e macro de várias fontes financeiras, passa tudo por um pipeline de qualidade com gates e faz backtest de estratégias por faixa de risco. Roda simulações de Monte Carlo com troca de regime para estressar carteiras contra mercados de cauda pesada. Por cima disso, uma camada de anomalias por machine learning e o monitoramento em tempo real da saúde dos protocolos, com alertas.
A janela pública disso é diboas.com/market: um painel de regime macro no ar, alimentado por um pipeline de build com verificação em duas fontes e um gate de qualidade fail-closed.
O que isso prova
- Metodologia quantitativa modelada nas práticas de validação das finanças institucionais
- Engenharia de dados como disciplina: quality gates, SLAs de atualização dos dados, trilhas de auditoria, execuções reproduzíveis
- ML aplicado onde realmente importa: detecção de anomalias, não enfeite
Profundidade técnica
Stack
Python · pandas · scikit-learn · scipy · 808 tests · 19 CLI commands
- ~50.000 linhas de Python, 808 testes, 19 comandos de CLI
- Dados de mais de cinco fontes atrás de circuit breakers e rate limits; pipeline de qualidade em quatro gates
- Backtest de dez estratégias por faixa de risco; transições de Markov, caudas pesadas via Student-t, VaR e CVaR
- Detecção de anomalias com Isolation Forest; verificação em duas fontes com gate fail-closed no build