Pitch: Construí um sistema de IA para previsão de criptomoedas — sozinho
Em janeiro de 2026, eu não sabia o que era um Transformer. Em junho, meu sistema completou 87.000 gerações de treinamento.
Meu nome é Lucas, tenho 13 anos, e quero contar como construí — sozinho, sem equipe e sem curso — um sistema de inteligência artificial que prevê a direção de preços de criptomoedas em 10 horizontes de tempo diferentes.
O que é o Trader AI
É um sistema que analisa dados de preço em tempo real da Binance (BTC, ETH, e outros pares) e prevê se o preço vai subir ou descer em horizontes que vão de 5 segundos até 1 dia.
A cada novo candle, uma rede neural processa indicadores técnicos (EMA, RSI, MACD, bandas de Bollinger, volatilidade) e gera 10 previsões simultâneas — uma para cada horizonte temporal.
Mas a parte mais importante não é a previsão. É a verificação.
O diferencial: auditoria pública
Toda previsão que o sistema faz recebe um timestamp. Quando o horizonte correspondente fecha (ex: 15 minutos depois), o sistema compara a previsão com o preço real da Binance e registra: acertou ou errou.
Esses dados são públicos. Qualquer pessoa pode acessar o painel de auditoria e ver, em tempo real, a acurácia real do modelo — sem backtest, sem cherry-picking, sem "resultados selecionados".
Se um horizonte está com 48% de acurácia, aparece 48%. Se está com 55%, aparece 55%. Nada é escondido.
A arquitetura
O cérebro do sistema é uma rede neural com:
- Transformer (6 blocos, 8 cabeças de atenção) — mesma arquitetura usada em modelos como GPT e BERT, adaptada para séries temporais financeiras
- BiLSTM (2 camadas, bidirecional) — para capturar dependências de longo prazo nos dados
- Cross-attention entre as saídas do Transformer e da LSTM
- 10 cabeças de previsão especializadas, uma para cada horizonte temporal
Tudo implementado em PyTorch, sem frameworks de AutoML, sem bibliotecas prontas de trading.
Os 3 maiores desafios técnicos
1. Autocorrelação nas amostras de treino
O sistema registrava snapshots a cada 2 segundos. Em 30 minutos, eu tinha ~900 "trades" para o horizonte de 30 minutos. Mas não eram 900 trades independentes — era o mesmo evento de mercado registrado 900 vezes.
Isso inflava artificialmente a acurácia. No dashboard, eu via blocos de 300 acertos seguidos, depois 400 erros. Não era o modelo acertando — era o mercado subindo por alguns minutos.
A solução foi implementar subsampling estatístico: cada horizonte só registra 1 trade a cada N ticks. Para 30 minutos, o fator é 150. Isso reduziu o volume, mas tornou cada amostra verdadeiramente independente.
2. Vazamento de informação futura (look-ahead bias)
Quando o modelo faz uma previsão para 1 hora, a recompensa (acertou/errou) só deveria chegar 1 hora depois. Mas o sistema original permitia que informações de ticks futuros "vazassem" para o treino.
Implementei um Delayed Reward Buffer: cada previsão é armazenada com seu timestamp, e a recompensa só é calculada e aplicada quando o horizonte realmente transcorre. O modelo nunca vê o futuro durante o treino.
3. Gradiente que não chegava no backbone
Por muito tempo, o gradiente do backpropagation estava parando nas cabeças de previsão. O Transformer e a LSTM não estavam aprendendo — só as últimas camadas.
Refiz o forward completo durante o passo de gradiente, garantindo que o sinal de erro atravessasse toda a rede: embedding → Transformer → LSTM → cross-attention → cabeças. As fans do computador começaram a girar mais alto — sinal de que o backbone inteiro estava aprendendo.
Stack completa
- Linguagem: Python 3
- Deep Learning: PyTorch (Transformer + BiLSTM customizados)
- Frontend: Next.js, HTML5/CSS3
- Dados: Binance REST API, JSON local, Supabase
- Infra: Pipeline próprio de treinamento, sem dependências externas
Estado atual
O sistema está em operação contínua, processando dados em tempo real. Números de hoje:
- BTC/USDT: 87.000+ gerações de treino, 9.500+ trades verificados
- ETH/USDT: 196.000+ gerações de treino, 9.400+ trades verificados
- Melhor horizonte atual: BTC 30s com 52.7% de acurácia real
Não é 90%. Não é 70%. É 52.7% — e é real, auditável, verificável.
O que aprendi
Construir um sistema de IA do zero, sozinho, aos 13 anos, me ensinou mais do que qualquer curso poderia ensinar. Aprendi sobre Transformers e LSTMs, mas também sobre paciência, debugging solitário, e a diferença entre "parece que funciona" e "funciona de verdade".
Se você é desenvolvedor e quer trocar ideia sobre IA, séries temporais, ou sistemas de trading — meu GitHub e Discord estão abertos.
Links:
- GitHub: https://github.com/lucasthd08-rgb/EventHorizon
- Painel de auditoria: https://torch-ai-official.github.io/trader-ai/dashboard.html
- Landing page: https://torch-ai-official.github.io/trader-ai/