Deixando Claude Codificar Autonomamente na Busca por Estratégias de Trading

Os Dois Problemas Não Resolvidos na Pesquisa Quantitativa

Se você passou algum tempo testando estratégias de trading, provavelmente se deparou com ambos:

Problema 1: O overfitting é embaraçosamente fácil. A maioria das ferramentas de backtesting mostrará felizmente uma estratégia com 40% de CAGR que desmorona no momento em que toca dados não vistos. O backtest parecia ótimo porque você — conscientemente ou não — otimizou dentro da amostra e considerou que estava feito. A validação walk-forward existe para pegar isso, mas é tediosa de configurar manualmente, então a maioria das pessoas a ignora.

Problema 2: As ferramentas quantitativas existentes são impossíveis de serem dirigidas por um agente de IA. Plataformas de backtesting com interface web não têm superfície de CLI. Frameworks Python brutos são poderosos, mas suas APIs são amplas e com estado — pedir ao Claude Code para "explorar estratégias durante a noite" significa que o agente teria que analisar rastros de erro do Python, inferir o que quebrou e mutar arquivos de código em um loop. Isso é frágil. Também significa que você precisa supervisioná-lo.

Eu construí AlphaForge para resolver ambos ao mesmo tempo.

O que "Nativo para Agentes" Realmente Significa

A maioria das ferramentas adiciona uma flag --json como um pensamento posterior. O AlphaForge foi projetado desde o início com a suposição de que o usuário principal poderia ser um agente de IA, não um humano.

1. Catálogo de Comandos Legíveis por Máquina

alpha-forge system describe

Isso emite um catálogo JSON completo de cada subcomando, seus parâmetros, valores aceitos e formato de saída esperado. Um agente chama isso uma vez no início da sessão e instantaneamente conhece toda a superfície da API — sem raspagem de documentação, sem engenharia de prompt para adivinhar nomes de flags.

2. JSON Estruturado em Todo Lugar

Cada comando aceita --json e retorna um envelope estável:

alpha-forge backtest run CL=F --strategy cl_momentum_v1 --json

{
  "run_id": "bt_20260621_a3f9",
  "status": "ok",
  "result": {
    "sharpe": 0.94,
    "cagr": 0.121,
    "max_drawdown": -0.183,
    "wft_windows_positive": 4,
    "wft_windows_total": 5
  },
  "next_steps": ["optimize", "walk_forward", "export_pine"]
}

Envelope de erro estruturado (com error_code, message e suggested_fix) significa que o agente pode lidar com falhas sem analisar texto legível por humanos. O run_id permite que o agente referencie resultados mais tarde sem precisar reexecutar nada.

3. Servidor MCP (Alpha)

uvx alpha-forge-mcp

alpha-forge-mcp é um servidor MCP Apache-2.0 que envolve a CLI. Coloque-o na configuração mcp_servers do seu Claude Code e os comandos do AlphaForge se tornam ferramentas de primeira classe em qualquer agente compatível com MCP.

Nota: O servidor MCP está em alpha. A CLI principal é a interface estável; o MCP é a camada que estamos fortalecendo a seguir.

4. Habilidades de Agente Empacotadas

O AlphaForge envia comandos de barra do Claude Code e habilidades Codex prontos para uso. A habilidade de explorar codifica todo o pipeline — ideação → backtest → otimização → validação walk-forward — como um fluxo de trabalho reutilizável e controlado por versão, em vez de uma transcrição de chat descartável.

5. O Loop de Exploração Noturna

Esta é a parte que me fez perceber que algo havia mudado. Não há um comando mágico explore — o agente executa o loop, usando a habilidade explore-strategies do AlphaForge para conduzir a CLI. De dentro do Claude Code com o servidor MCP em execução:

"Explore estratégias de futuros de energia durante a noite. Teste cada combinação de MACD, RSI e ATR em CL=F e WTI. Valide walk-forward qualquer coisa com Sharpe > 0.8. Registre os resultados."

O agente pega o catálogo system describe, executa backtests e otimizações via --json, lê resultados estruturados, elimina perdedores cedo e escreve um resumo classificado no disco. Você acorda com uma lista curta, não com uma pilha de gráficos para analisar.

Validação Walk-Forward: O Mecanismo de Honestidade

Um backtest sem validação fora da amostra é apenas ajuste de curva com etapas extras.

O AlphaForge executa testes walk-forward — alpha-forge optimize walk-forward — em uma estratégia otimizada: a janela dentro da amostra treina, a janela fora da amostra testa, e você quer que a maioria das janelas OOS seja positiva antes que uma estratégia seja considerada viável. Há também optimize sensitivity, que perturba os parâmetros otimizados para sinalizar quão frágeis (overfit) eles são.

O loop de exploração usa WFT como seu filtro. Estratégias que parecem ótimas dentro da amostra, mas falham fora da amostra, são descartadas automaticamente — o agente não precisa fazer essa avaliação.

Um Resultado Verificado (Com o Aviso Necessário)

Eu quero ser concreto sem ser enganoso, então aqui está o único resultado que citarei, com todo o contexto.

Uma cesta de peso igual combinando uma sleeve de NASDAQ-100 de 3× protegida (SMA200 + dimensionamento ATR) + GLD + TLT mostrou:

• Desvio máximo combinado: ~10% (as sleeves individuais variaram de 15 a 40%)
• CAGR: 15.5%
• Sharpe: 1.20
• Todas as 5 janelas OOS walk-forward positivas

Aviso (leitura obrigatória): Resultados passados não garantem retornos futuros. Esses números incluem 0,05% de deslizamento por operação e usam apenas dados de retorno de preço. Este é um backtest, não uma negociação ao vivo.

Não estou mostrando isso para afirmar que a estratégia é "provada". Estou mostrando porque ilustra como a diversificação validada por WFT se parece no formato de saída do AlphaForge — e porque escondê-la parecia uma forma de desonestidade.

O Pipeline, Do Início ao Fim

O fluxo de trabalho completo da ideia até a exportação do Pine Script v6 — cada passo fala --json, para que um agente possa encadeá-los de forma determinística: