# source: https://raw.githubusercontent.com/DOUGLASGUEDESATRIA/OSIRIS_TRADE/fe3c09567f3798d1cad6d7a306fa4f6131d91e17/user_data/strategies/OsirisGoldV10.py """ OSIRIS RESEARCH STRATEGY v1.0 - Deep Proprietary Analysis ============================================================ 50+ indicadores | Volume Flow | Microestrutura | Smart Money | Entropia Sistema de Score por Confluência | Otimização para i9 + 128GB + RTX 4090 INDICADORES PROPRIETÁRIOS: 1. Volume Delta & CVD (Order Flow proxy sem order book) 2. Pressão Compradora/Vendedora por candle (OHLC decomposition) 3. Absorção & Exaustão Institucional (microestrutura) 4. Fair Value Gaps + Liquidity Sweeps (Smart Money Concepts) 5. Kaufman Efficiency Ratio (proxy Hurst Exponent) 6. Volatility Entropy (detecção de regime) 7. Squeeze Momentum (BB inside Keltner = explosão iminente) 8. Volume-Price Divergence (acumulação/distribuição oculta) 9. Composite Momentum (multi-period ROC ponderado) 10. EMA Ribbon Score (alinhamento multi-EMA quantificado) SISTEMA DE ENTRADA/SAÍDA: - Score por Confluência: cada indicador contribui pontos - Threshold otimizável via Hyperopt - Sem lógica AND rígida — sistema flexível e adaptativo - Hyperopt encontra os pesos ideais automaticamente 100% proprietário. Desenvolvido exclusivamente para OSIRIS. """ import logging import numpy as np from pandas import DataFrame from typing import Optional from freqtrade.strategy import IStrategy, merge_informative_pair from freqtrade.strategy import CategoricalParameter, DecimalParameter, IntParameter from freqtrade.persistence import Trade import talib.abstract as ta logger = logging.getLogger(__name__) class Github_DOUGLASGUEDESATRIA_OSIRIS_TRADE__OsirisGoldV10__20260329_060843(IStrategy): """ OSIRIS Research - Estratégia proprietária com análise profunda de 1 ano. Combina 50+ indicadores (convencionais + inovadores) num sistema de Score por Confluência. Cada condição adiciona pontos. Entrada/saída ocorre quando o score total atinge o threshold otimizado. Projetada para hardware potente: i9 + 128GB RAM + RTX 4090. Usa todos os cores via Hyperopt (-j -1). """ timeframe = "5m" # ROI - será otimizado pelo Hyperopt minimal_roi = { "0": 0.05, "20": 0.03, "60": 0.02, "120": 0.01, } stoploss = -0.025 trailing_stop = True trailing_stop_positive = 0.01 trailing_stop_positive_offset = 0.02 trailing_only_offset_is_reached = True startup_candle_count = 200 process_only_new_candles = True # =================================================================== # HYPEROPT PARAMETERS - BUY (16 parâmetros) # =================================================================== # Score threshold — quantos pontos de confluência mínimos para entrar buy_score_min = IntParameter(4, 17, default=10, space="buy", optimize=True) # --- Volume Flow --- buy_pressure_ratio = DecimalParameter( 0.50, 0.70, default=0.55, decimals=2, space="buy", optimize=True ) buy_rvol_min = DecimalParameter( 0.8, 3.0, default=1.2, decimals=1, space="buy", optimize=True ) buy_cvd_periods = IntParameter(3, 10, default=5, space="buy", optimize=True) buy_mfi_min = IntParameter(20, 50, default=30, space="buy", optimize=True) # --- Momentum --- buy_rsi_min = IntParameter(25, 45, default=30, space="buy", optimize=True) buy_rsi_max = IntParameter(55, 75, default=65, space="buy", optimize=True) buy_stochrsi_max = IntParameter(20, 50, default=30, space="buy", optimize=True) buy_cci_min = IntParameter(-200, -30, default=-100, space="buy", optimize=True) # --- Trend --- buy_adx_min = IntParameter(15, 40, default=20, space="buy", optimize=True) buy_ema_ribbon_min = IntParameter(1, 4, default=2, space="buy", optimize=True) # --- Innovation --- buy_efficiency_min = DecimalParameter( 0.05, 0.40, default=0.15, decimals=2, space="buy", optimize=True ) buy_volatility_ratio_max = DecimalParameter( 0.8, 2.0, default=1.3, decimals=1, space="buy", optimize=True ) # --- Multi-TF --- buy_mtf_rsi_15m_min = IntParameter(30, 55, default=40, space="buy", optimize=True) buy_mtf_aligned = CategoricalParameter( [True, False], default=True, space="buy", optimize=True ) # =================================================================== # HYPEROPT PARAMETERS - SELL (10 parâmetros) # =================================================================== sell_score_min = IntParameter(3, 16, default=8, space="sell", optimize=True) sell_rsi_max = IntParameter(60, 90, default=75, space="sell", optimize=True) sell_pressure_ratio_max = DecimalParameter( 0.25, 0.50, default=0.45, decimals=2, space="sell", optimize=True ) sell_stochrsi_min = IntParameter(55, 95, default=80, space="sell", optimize=True) sell_cci_max = IntParameter(50, 250, default=100, space="sell", optimize=True) sell_adx_weakening = CategoricalParameter( [True, False], default=True, space="sell", optimize=True ) sell_efficiency_min = DecimalParameter( 0.05, 0.40, default=0.15, decimals=2, space="sell", optimize=True ) sell_exhaustion_rvol = DecimalParameter( 1.5, 4.0, default=2.0, decimals=1, space="sell", optimize=True ) sell_cmf_threshold = DecimalParameter( -0.20, 0.0, default=-0.05, decimals=2, space="sell", optimize=True ) sell_macd_hist_negative = CategoricalParameter( [True, False], default=True, space="sell", optimize=True ) def informative_pairs(self): pairs = self.dp.current_whitelist() informative = [] for pair in pairs: informative.append((pair, "15m")) informative.append((pair, "1h")) return informative # =================================================================== # PROPRIETARY: VOLUME FLOW ANALYSIS # =================================================================== def _calc_volume_flow(self, df: DataFrame) -> DataFrame: """ Análise de Fluxo de Volume (Order Flow Proxy). Decompõe cada candle em pressão compradora/vendedora usando OHLC. Conceito: Se close > open, o candle é "comprador". A proporção (close - low) / (high - low) estima quanto do volume foi de compra. Isso é uma aproximação do order book sem precisar de dados L2. """ # Amplitude do candle hl_range = (df["high"] - df["low"]).replace(0, np.nan) # Volume Delta Approximation df["buy_volume"] = df["volume"] * (df["close"] - df["low"]) / hl_range df["sell_volume"] = df["volume"] * (df["high"] - df["close"]) / hl_range df["buy_volume"] = df["buy_volume"].fillna(df["volume"] * 0.5) df["sell_volume"] = df["sell_volume"].fillna(df["volume"] * 0.5) # Volume Delta (+ = mais compra, - = mais venda) df["volume_delta"] = df["buy_volume"] - df["sell_volume"] # Cumulative Volume Delta (CVD) — fluxo acumulado df["cvd"] = df["volume_delta"].cumsum() df["cvd_ema"] = ta.EMA(df["cvd"], timeperiod=20) df["cvd_rising"] = (df["cvd"] > df["cvd"].shift(1)).astype(int) # Pressure Ratio (0-1, >0.5 = compradores dominam) total_vol = (df["buy_volume"] + df["sell_volume"]).replace(0, 1) df["pressure_ratio"] = (df["buy_volume"] / total_vol).fillna(0.5) df["pressure_ratio_sma"] = df["pressure_ratio"].rolling(10).mean() # Relative Volume (RVOL) — volume vs média df["volume_sma_20"] = df["volume"].rolling(20).mean() df["rvol"] = (df["volume"] / df["volume_sma_20"].replace(0, 1)).fillna(1) # On-Balance Volume (OBV) df["obv"] = (np.sign(df["close"].diff()) * df["volume"]).fillna(0).cumsum() df["obv_ema"] = ta.EMA(df["obv"], timeperiod=20) # Money Flow Index (MFI) — RSI ponderado por volume df["mfi"] = ta.MFI(df, timeperiod=14) # Chaikin Money Flow (CMF) mf_mult = ((df["close"] - df["low"]) - (df["high"] - df["close"])) / hl_range mf_mult = mf_mult.fillna(0) mf_volume = mf_mult * df["volume"] vol_sum = df["volume"].rolling(20).sum().replace(0, 1) df["cmf"] = mf_volume.rolling(20).sum() / vol_sum # Volume Price Trend (VPT) — preço + volume combinados df["vpt"] = (df["close"].pct_change() * df["volume"]).fillna(0).cumsum() df["vpt_ema"] = ta.EMA(df["vpt"], timeperiod=20) # Force Index = variação de preço × volume df["force_index"] = df["close"].diff() * df["volume"] df["force_index_ema"] = ta.EMA(df["force_index"], timeperiod=13) # Rolling VWAP (50 períodos) tp = (df["high"] + df["low"] + df["close"]) / 3 vwap_vol = df["volume"].rolling(50).sum().replace(0, 1) df["vwap"] = (tp * df["volume"]).rolling(50).sum() / vwap_vol df["vwap_distance"] = ( (df["close"] - df["vwap"]) / df["vwap"].replace(0, 1) * 100 ) return df # =================================================================== # PROPRIETARY: MICROSTRUCTURE ANALYSIS # =================================================================== def _calc_microstructure(self, df: DataFrame) -> DataFrame: """ Análise de Microestrutura — detecta ações institucionais. Absorção: Volume alto + corpo pequeno = institucionais absorvendo Exaustão: Volume extremo + corpo grande = possível esgotamento Smart Money: FVG, Liquidity Sweeps, Displacement """ hl_range = (df["high"] - df["low"]).replace(0, np.nan).fillna(0.0001) body = (df["close"] - df["open"]).abs() # Body Ratio (0=doji, 1=marubozu) df["body_ratio"] = body / hl_range # Wick Ratios upper_wick = df["high"] - df[["open", "close"]].max(axis=1) lower_wick = df[["open", "close"]].min(axis=1) - df["low"] df["upper_wick_ratio"] = upper_wick / hl_range df["lower_wick_ratio"] = lower_wick / hl_range # === PADRÕES INSTITUCIONAIS === # Absorção: corpo pequeno + volume alto = absorção silenciosa df["is_absorption"] = ( (df["body_ratio"] < 0.30) & (df["rvol"] > 1.5) ).astype(int) # Exaustão: corpo grande + volume extremo = esgotamento df["is_exhaustion_bull"] = ( (df["body_ratio"] > 0.70) & (df["rvol"] > 2.0) & (df["close"] > df["open"]) ).astype(int) df["is_exhaustion_bear"] = ( (df["body_ratio"] > 0.70) & (df["rvol"] > 2.0) & (df["close"] < df["open"]) ).astype(int) # Pin Bar Bullish: wick inferior longo, corpo no topo df["is_pin_bar_bull"] = ( (df["lower_wick_ratio"] > 0.60) & (df["body_ratio"] < 0.25) & (df["upper_wick_ratio"] < 0.15) ).astype(int) # Pin Bar Bearish df["is_pin_bar_bear"] = ( (df["upper_wick_ratio"] > 0.60) & (df["body_ratio"] < 0.25) & (df["lower_wick_ratio"] < 0.15) ).astype(int) # Displacement Bullish: corpo grande, pouca wick, volume (institucional) df["is_displacement_bull"] = ( (df["body_ratio"] > 0.80) & (df["close"] > df["open"]) & (df["rvol"] > 1.2) ).astype(int) df["is_displacement_bear"] = ( (df["body_ratio"] > 0.80) & (df["close"] < df["open"]) & (df["rvol"] > 1.2) ).astype(int) # === SMART MONEY CONCEPTS === # Fair Value Gap Bullish: gap entre candle[i].low e candle[i-2].high df["fvg_bull"] = (df["low"] > df["high"].shift(2)).astype(int) df["fvg_bear"] = (df["high"] < df["low"].shift(2)).astype(int) # Liquidity Sweep: preço ultrapassa extremo e fecha de volta recent_high = df["high"].rolling(20).max().shift(1) recent_low = df["low"].rolling(20).min().shift(1) df["liquidity_sweep_high"] = ( (df["high"] > recent_high) & (df["close"] < recent_high) ).astype(int) df["liquidity_sweep_low"] = ( (df["low"] < recent_low) & (df["close"] > recent_low) ).astype(int) # Volume Climax com reversão confirmada (sem look-ahead) df["volume_climax_reversal_bear"] = ( (df["rvol"].shift(1) > 3.0) & (df["close"].shift(1) > df["open"].shift(1)) & (df["close"] < df["open"]) ).astype(int) df["volume_climax_reversal_bull"] = ( (df["rvol"].shift(1) > 3.0) & (df["close"].shift(1) < df["open"].shift(1)) & (df["close"] > df["open"]) ).astype(int) return df # =================================================================== # PROPRIETARY: INNOVATION INDICATORS # =================================================================== def _calc_innovation(self, df: DataFrame) -> DataFrame: """ Indicadores inovadores baseados em Teoria da Informação e Física. - Kaufman Efficiency Ratio: proxy do Hurst Exponent - Volatility Ratio: proxy de Entropia (ordem vs caos) - Oscillation Index: mede ruído do preço - Trend Acceleration: derivada segunda do preço - Volume-Price Divergence: acumulação/distribuição oculta - Composite Momentum: ROC multi-período ponderado - Squeeze Momentum: BB dentro de Keltner = explosão iminente """ # === KAUFMAN EFFICIENCY RATIO === # ER → 1 = trending (Hurst > 0.5) # ER → 0 = random walk (Hurst ≤ 0.5) period = 20 direction = (df["close"] - df["close"].shift(period)).abs() volatility = df["close"].diff().abs().rolling(period).sum() df["efficiency_ratio"] = (direction / volatility.replace(0, 1)).fillna(0) # === VOLATILITY RATIO (Proxy de Entropia) === df["atr"] = ta.ATR(df, timeperiod=14) atr_long = ta.ATR(df, timeperiod=50) df["volatility_ratio"] = (df["atr"] / atr_long.replace(0, 1)).fillna(1) # === PRICE OSCILLATION INDEX === # Baixo = preço em linha reta (trend), Alto = preço oscilando (range) net_move_10 = (df["close"] - df["close"].shift(10)).abs() total_move_10 = df["close"].diff().abs().rolling(10).sum() df["oscillation_index"] = 1 - (net_move_10 / total_move_10.replace(0, 1)) # === TREND ACCELERATION === # Segunda derivada do preço (momentum do momentum) price_velocity = df["close"].diff(5) df["trend_acceleration"] = price_velocity.diff(5) df["trend_accel_norm"] = ( df["trend_acceleration"] / df["atr"].replace(0, 1) ).fillna(0) # === VOLUME-PRICE DIVERGENCE === # Preço sobe + volume cai = divergência bearish (distribuição) # Preço cai + volume sobe = possível acumulação price_chg = df["close"].pct_change(10).fillna(0) vol_chg = df["volume"].pct_change(10).fillna(0) df["vol_price_divergence"] = price_chg - vol_chg # === COMPOSITE MOMENTUM (Multi-Period ROC) === roc_3 = ta.ROC(df, timeperiod=3).fillna(0) roc_5 = ta.ROC(df, timeperiod=5).fillna(0) roc_8 = ta.ROC(df, timeperiod=8).fillna(0) roc_13 = ta.ROC(df, timeperiod=13).fillna(0) roc_21 = ta.ROC(df, timeperiod=21).fillna(0) df["composite_momentum"] = ( roc_3 * 5 + roc_5 * 4 + roc_8 * 3 + roc_13 * 2 + roc_21 * 1 ) / 15 # === SQUEEZE MOMENTUM (TTM Squeeze) === # Bollinger Bands dentro de Keltner Channels = compressão de volatilidade # Quando a squeeze libera = movimento explosivo kelt_ema_20 = ta.EMA(df, timeperiod=20) kelt_atr_10 = ta.ATR(df, timeperiod=10) kelt_upper = kelt_ema_20 + kelt_atr_10 * 1.5 kelt_lower = kelt_ema_20 - kelt_atr_10 * 1.5 bb = ta.BBANDS(df, timeperiod=20, nbdevup=2.0, nbdevdn=2.0) bb_upper = bb["upperband"] bb_lower = bb["lowerband"] bb_middle = bb["middleband"] df["bb_upper"] = bb_upper df["bb_middle"] = bb_middle df["bb_lower"] = bb_lower df["bb_width"] = (bb_upper - bb_lower) / bb_middle.replace(0, 1) df["bb_percent"] = ( (df["close"] - bb_lower) / (bb_upper - bb_lower).replace(0, 1) ) df["keltner_upper"] = kelt_upper df["keltner_lower"] = kelt_lower # Squeeze ativo = BB está dentro de Keltner df["squeeze_on"] = ( (bb_lower > kelt_lower) & (bb_upper < kelt_upper) ).astype(int) # Squeeze release bullish: squeeze acabou + momentum positivo df["squeeze_release_bull"] = ( (df["squeeze_on"].shift(1) == 1) & (df["squeeze_on"] == 0) & (df["close"] > df["close"].shift(1)) ).astype(int) df["squeeze_release_bear"] = ( (df["squeeze_on"].shift(1) == 1) & (df["squeeze_on"] == 0) & (df["close"] < df["close"].shift(1)) ).astype(int) return df # =================================================================== # INDICATOR COMPUTATION (runs once, cached) # =================================================================== def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame: """ Calcula 50+ indicadores: convencionais + proprietários + inovadores. Tudo vetorizado para máxima performance no i9. """ # ============================================================ # CONVENTIONAL INDICATORS (Enhanced) # ============================================================ # RSI (dual period) dataframe["rsi"] = ta.RSI(dataframe, timeperiod=14) dataframe["rsi_fast"] = ta.RSI(dataframe, timeperiod=7) # MACD macd = ta.MACD(dataframe, fastperiod=12, slowperiod=26, signalperiod=9) dataframe["macd"] = macd["macd"] dataframe["macd_signal"] = macd["macdsignal"] dataframe["macd_hist"] = macd["macdhist"] # EMAs (ribbon) dataframe["ema_8"] = ta.EMA(dataframe, timeperiod=8) dataframe["ema_13"] = ta.EMA(dataframe, timeperiod=13) dataframe["ema_21"] = ta.EMA(dataframe, timeperiod=21) dataframe["ema_50"] = ta.EMA(dataframe, timeperiod=50) dataframe["ema_200"] = ta.EMA(dataframe, timeperiod=200) # EMA Ribbon Score (0-4: quantas EMAs alinhadas bullish) dataframe["ema_ribbon"] = ( (dataframe["ema_8"] > dataframe["ema_13"]).astype(int) + (dataframe["ema_13"] > dataframe["ema_21"]).astype(int) + (dataframe["ema_21"] > dataframe["ema_50"]).astype(int) + (dataframe["ema_50"] > dataframe["ema_200"]).astype(int) ) # ADX + Directional Movement dataframe["adx"] = ta.ADX(dataframe, timeperiod=14) dataframe["plus_di"] = ta.PLUS_DI(dataframe, timeperiod=14) dataframe["minus_di"] = ta.MINUS_DI(dataframe, timeperiod=14) # Stochastic RSI stoch = ta.STOCHRSI(dataframe, timeperiod=14, fastk_period=3, fastd_period=3) dataframe["stochrsi_k"] = stoch["fastk"] dataframe["stochrsi_d"] = stoch["fastd"] # CCI dataframe["cci"] = ta.CCI(dataframe, timeperiod=14) # Williams %R dataframe["willr"] = ta.WILLR(dataframe, timeperiod=14) # Rate of Change dataframe["roc"] = ta.ROC(dataframe, timeperiod=10) # ATR dataframe["atr"] = ta.ATR(dataframe, timeperiod=14) dataframe["atr_pct"] = dataframe["atr"] / dataframe["close"] * 100 # Ichimoku componentes ichi_tenkan = ( dataframe["high"].rolling(9).max() + dataframe["low"].rolling(9).min() ) / 2 ichi_kijun = ( dataframe["high"].rolling(26).max() + dataframe["low"].rolling(26).min() ) / 2 dataframe["ichi_tenkan"] = ichi_tenkan dataframe["ichi_kijun"] = ichi_kijun dataframe["ichi_above"] = ( (dataframe["close"] > ichi_tenkan).astype(int) + (dataframe["close"] > ichi_kijun).astype(int) ) # Parabolic SAR dataframe["sar"] = ta.SAR(dataframe, acceleration=0.02, maximum=0.2) dataframe["sar_bullish"] = (dataframe["close"] > dataframe["sar"]).astype(int) # ============================================================ # PROPRIETARY: VOLUME FLOW # ============================================================ dataframe = self._calc_volume_flow(dataframe) # ============================================================ # PROPRIETARY: MICROSTRUCTURE # ============================================================ dataframe = self._calc_microstructure(dataframe) # ============================================================ # PROPRIETARY: INNOVATION # ============================================================ dataframe = self._calc_innovation(dataframe) # ============================================================ # MULTI-TIMEFRAME (15m + 1h) # ============================================================ if self.dp: # --- 15 MINUTES --- inf_15m = self.dp.get_pair_dataframe( pair=metadata["pair"], timeframe="15m" ) if not inf_15m.empty: inf_15m["rsi"] = ta.RSI(inf_15m, timeperiod=14) macd_15m = ta.MACD(inf_15m) inf_15m["macd_hist"] = macd_15m["macdhist"] inf_15m["ema_50"] = ta.EMA(inf_15m, timeperiod=50) inf_15m["ema_200"] = ta.EMA(inf_15m, timeperiod=200) inf_15m["adx"] = ta.ADX(inf_15m, timeperiod=14) # Volume flow 15m hl_15m = (inf_15m["high"] - inf_15m["low"]).replace(0, np.nan) bv_15m = inf_15m["volume"] * (inf_15m["close"] - inf_15m["low"]) / hl_15m sv_15m = inf_15m["volume"] * (inf_15m["high"] - inf_15m["close"]) / hl_15m bv_15m = bv_15m.fillna(inf_15m["volume"] * 0.5) sv_15m = sv_15m.fillna(inf_15m["volume"] * 0.5) inf_15m["pressure"] = (bv_15m / (bv_15m + sv_15m).replace(0, 1)).fillna( 0.5 ) dataframe = merge_informative_pair( dataframe, inf_15m, self.timeframe, "15m", ffill=True ) # --- 1 HOUR --- inf_1h = self.dp.get_pair_dataframe( pair=metadata["pair"], timeframe="1h" ) if not inf_1h.empty: inf_1h["rsi"] = ta.RSI(inf_1h, timeperiod=14) inf_1h["ema_50"] = ta.EMA(inf_1h, timeperiod=50) inf_1h["ema_200"] = ta.EMA(inf_1h, timeperiod=200) inf_1h["adx"] = ta.ADX(inf_1h, timeperiod=14) dataframe = merge_informative_pair( dataframe, inf_1h, self.timeframe, "1h", ffill=True ) return dataframe # =================================================================== # CONFLUENCE SCORE SYSTEM - ENTRY # =================================================================== def populate_entry_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame: """ Sistema de Score por Confluência — Entrada. Cada indicador que confirma a oportunidade adiciona 1 ponto. Entrada quando score total >= threshold (otimizado por Hyperopt). Pontuação máxima: 18 pontos - Volume Flow: 4 pontos - Momentum: 4 pontos - Trend: 3 pontos - Microstructure: 3 pontos - Innovation: 2 pontos - Multi-TF: 2 pontos """ score = np.zeros(len(dataframe)) # ── VOLUME FLOW (max 4 pontos) ────────────────────── # 1. Pressão compradora dominante score += ( dataframe["pressure_ratio"] > self.buy_pressure_ratio.value ).astype(int) # 2. Volume acima da média (RVOL) score += (dataframe["rvol"] > self.buy_rvol_min.value).astype(int) # 3. CVD subindo por N períodos consecutivos cvd_rising_count = ( dataframe["cvd_rising"].rolling(self.buy_cvd_periods.value).sum() ) score += (cvd_rising_count >= self.buy_cvd_periods.value).astype(int) # 4. MFI indicando entrada de dinheiro Smart Money score += (dataframe["mfi"] > self.buy_mfi_min.value).astype(int) # ── MOMENTUM (max 4 pontos) ───────────────────────── # 5. RSI na zona de compra (não sobrevendido nem sobrecomprado) score += ( (dataframe["rsi"] > self.buy_rsi_min.value) & (dataframe["rsi"] < self.buy_rsi_max.value) ).astype(int) # 6. MACD Histogram positivo OU subindo score += ( (dataframe["macd_hist"] > 0) | (dataframe["macd_hist"] > dataframe["macd_hist"].shift(1)) ).astype(int) # 7. StochRSI em zona favorável (saindo de sobrevenda) score += ( dataframe["stochrsi_k"] < self.buy_stochrsi_max.value ).astype(int) # 8. CCI saindo de oversold (momentum reversal) score += ( (dataframe["cci"] > self.buy_cci_min.value) & (dataframe["cci"].shift(1) <= self.buy_cci_min.value) ).astype(int) # ── TREND (max 3 pontos) ──────────────────────────── # 9. ADX mostrando tendência ativa score += (dataframe["adx"] > self.buy_adx_min.value).astype(int) # 10. EMA Ribbon alinhado (N de 4 EMAs em ordem bullish) score += ( dataframe["ema_ribbon"] >= self.buy_ema_ribbon_min.value ).astype(int) # 11. Preço acima da VWAP (institucional favorável) score += (dataframe["close"] > dataframe["vwap"]).astype(int) # ── MICROSTRUCTURE (max 3 pontos) ─────────────────── # 12. Absorção detectada nas últimas 3 candles score += ( dataframe["is_absorption"].rolling(3).sum() > 0 ).astype(int) # 13. Pin bar bullish OU liquidity sweep baixo score += ( (dataframe["is_pin_bar_bull"] == 1) | (dataframe["liquidity_sweep_low"] == 1) ).astype(int) # 14. Squeeze release bullish (explosão de volatilidade) score += (dataframe["squeeze_release_bull"] == 1).astype(int) # ── INNOVATION (max 2 pontos) ─────────────────────── # 15. Efficiency Ratio indica tendência (não aleatório) score += ( dataframe["efficiency_ratio"] > self.buy_efficiency_min.value ).astype(int) # 16. Volatilidade controlada (não excessiva) score += ( dataframe["volatility_ratio"] < self.buy_volatility_ratio_max.value ).astype(int) # ── MULTI-TIMEFRAME (max 2 pontos) ────────────────── # 17. RSI 15m favorável rsi_15m_col = "rsi_15m" if rsi_15m_col in dataframe.columns: score += ( dataframe[rsi_15m_col] > self.buy_mtf_rsi_15m_min.value ).astype(int) # 18. Tendência 15m + 1h alinhadas (preço acima de EMA50) if self.buy_mtf_aligned.value: ema50_15m = "ema_50_15m" ema50_1h = "ema_50_1h" if ema50_15m in dataframe.columns and ema50_1h in dataframe.columns: score += ( (dataframe["close"] > dataframe[ema50_15m]) & (dataframe["close"] > dataframe[ema50_1h]) ).astype(int) # === ENTRY SIGNAL === dataframe.loc[ (score >= self.buy_score_min.value) & (dataframe["volume"] > 0), "enter_long", ] = 1 return dataframe # =================================================================== # CONFLUENCE SCORE SYSTEM - EXIT # =================================================================== def populate_exit_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame: """ Sistema de Score por Confluência — Saída. Pontuação máxima: 12 pontos - Volume Flow: 3 pontos - Momentum: 3 pontos - Trend Weakening: 2 pontos - Microstructure: 2 pontos - Innovation: 2 pontos """ score = np.zeros(len(dataframe)) # ── VOLUME FLOW (max 3 pontos) ────────────────────── # 1. Pressão vendedora dominante score += ( dataframe["pressure_ratio"] < self.sell_pressure_ratio_max.value ).astype(int) # 2. CVD caindo abaixo da EMA (fluxo virando) score += (dataframe["cvd"] < dataframe["cvd_ema"]).astype(int) # 3. CMF negativo (dinheiro saindo) score += ( dataframe["cmf"] < self.sell_cmf_threshold.value ).astype(int) # ── MOMENTUM (max 3 pontos) ───────────────────────── # 4. RSI sobrecomprado score += (dataframe["rsi"] > self.sell_rsi_max.value).astype(int) # 5. StochRSI sobrecomprado score += ( dataframe["stochrsi_k"] > self.sell_stochrsi_min.value ).astype(int) # 6. CCI extremo (overbought) score += (dataframe["cci"] > self.sell_cci_max.value).astype(int) # ── TREND WEAKENING (max 2 pontos) ────────────────── # 7. MACD histogram virando negativo e caindo if self.sell_macd_hist_negative.value: score += ( (dataframe["macd_hist"] < 0) & (dataframe["macd_hist"] < dataframe["macd_hist"].shift(1)) ).astype(int) # 8. ADX caindo (tendência enfraquecendo) if self.sell_adx_weakening.value: score += ( dataframe["adx"] < dataframe["adx"].shift(1) ).astype(int) # ── MICROSTRUCTURE (max 2 pontos) ─────────────────── # 9. Exaustão bullish detectada (topo potencial) score += ( (dataframe["is_exhaustion_bull"] == 1) & (dataframe["rvol"] > self.sell_exhaustion_rvol.value) ).astype(int) # 10. Displacement bearish OU liquidity sweep alto score += ( (dataframe["is_displacement_bear"] == 1) | (dataframe["liquidity_sweep_high"] == 1) ).astype(int) # ── INNOVATION (max 2 pontos) ─────────────────────── # 11. Eficiência baixa (mercado ficando aleatório) score += ( dataframe["efficiency_ratio"] < self.sell_efficiency_min.value ).astype(int) # 12. Volume climax bearish (reversão após climax) score += ( dataframe["volume_climax_reversal_bear"] == 1 ).astype(int) # === EXIT SIGNAL === dataframe.loc[ (score >= self.sell_score_min.value) & (dataframe["volume"] > 0), "exit_long", ] = 1 return dataframe # =================================================================== # DYNAMIC STOPLOSS (ATR-based) # =================================================================== def custom_stoploss( self, pair: str, trade: Trade, current_time, current_rate, current_profit, after_fill, **kwargs, ) -> Optional[float]: """Stop loss dinâmico baseado em ATR — adapta à volatilidade atual.""" dataframe, _ = self.dp.get_analyzed_dataframe(pair, self.timeframe) if dataframe is not None and len(dataframe) > 0: last = dataframe.iloc[-1] atr_pct = last.get("atr_pct", 0) if atr_pct > 0 and trade.open_rate > 0: # Stop = 2.5x ATR abaixo da entrada sl_pct = -(atr_pct / 100) * 2.5 return max(sl_pct, -0.05) # Cap at -5% return None