docs/api-reference.md

📚 Referência de APIs e Interfaces

Visão Geral

Este documento descreve todas as APIs, interfaces e contratos entre os módulos do Vampire Trading Bot. Cada seção inclui exemplos de uso, parâmetros esperados e formatos de resposta.

Estrutura de Módulos

Core

• advanced_market_processing.py: Processamento avançado de dados de mercado
  • Classe: AdvancedMarketProcessor
  • Importação: from src.core.advanced_market_processing import AdvancedMarketProcessor
• database_logger.py: Sistema de logging em banco de dados
• log_parser.py: Parser de logs do Vampire Bot
• performance_monitor.py: Monitor de performance do sistema

AI

• voting_system.py: Sistema de votação inteligente para ensemble
  • Classe: VotingStrategy (Enum)
  • Função: intelligent_vote()
  • Importação: from src.ai.voting_system import VotingStrategy, intelligent_vote
• ensemble_ai.py: Sistema ensemble de IA
  • Função: ensemble_ai()
  • Classe: EnsembleResult
  • Importação: from src.ai.ensemble_ai import ensemble_ai, EnsembleResult

🔧 Core Engines

Funções Utilitárias de Análise Técnica

calculate_rsi(prices: list, period: int = 14) -> float

def calculate_rsi(prices: list, period: int = 14) -> float:
    """Calcula o RSI (Relative Strength Index).
    
    Args:
        prices (list): Lista de preços históricos
        period (int): Período para cálculo (padrão: 14)
        
    Returns:
        float: Valor do RSI (0-100)
    """

calculate_bollinger_bands(prices: list, period: int = 20, std_dev: float = 2.0) -> dict

def calculate_bollinger_bands(prices: list, period: int = 20, std_dev: float = 2.0) -> dict:
    """Calcula as Bandas de Bollinger.
    
    Args:
        prices (list): Lista de preços históricos
        period (int): Período para média móvel (padrão: 20)
        std_dev (float): Multiplicador do desvio padrão (padrão: 2.0)
        
    Returns:
        dict: {'upper': float, 'middle': float, 'lower': float}
    """

calculate_ema(prices: list, period: int) -> float

def calculate_ema(prices: list, period: int) -> float:
    """Calcula a EMA (Exponential Moving Average).
    
    Args:
        prices (list): Lista de preços históricos
        period (int): Período para cálculo da EMA
        
    Returns:
        float: Valor da EMA
    """

format_number(value: float, decimals: int = 2) -> str

def format_number(value: float, decimals: int = 2) -> str:
    """Formata um número para exibição.
    
    Args:
        value (float): Valor a ser formatado
        decimals (int): Número de casas decimais (padrão: 2)
        
    Returns:
        str: Número formatado
    """

TechnicalAnalysisEngine

Classe Principal

class TechnicalAnalysisEngine:
    def __init__(self):
        """Inicializa o engine de análise técnica."""
    
    def analyze_market_data(self, market_text: str) -> Dict[str, Any]:
        """Analisa dados de mercado a partir de texto.
        
        Args:
            market_text (str): Texto contendo dados de mercado
            
        Returns:
            Dict[str, Any]: Resultado da análise técnica
            {
                'market_data': MarketData,
                'technical_signals': List[TechnicalSignal],
                'scalping_setups': List[ScalpingSetup],
                'risk_analysis': RiskAnalysis,
                'overall_signal': str,
                'confidence': float
            }
        """

Estruturas de Dados

@dataclass
class MarketData:
    """Dados básicos de mercado."""
    symbol: str              # Símbolo do ativo
    current_price: float     # Preço atual
    variation: float         # Variação absoluta
    variation_percent: float # Variação percentual
    high: float             # Máxima do período
    low: float              # Mínima do período
    volume: float           # Volume negociado
    timestamp: str          # Timestamp da cotação

@dataclass
class TechnicalSignal:
    """Sinal de indicador técnico."""
    indicator: str          # Nome do indicador (RSI, EMA, etc.)
    value: float           # Valor atual do indicador
    signal: str            # Sinal gerado (COMPRAR, VENDER, NEUTRO)
    confidence: float      # Confiança do sinal (0-100)
    description: str       # Descrição detalhada
    timestamp: str         # Timestamp do cálculo

@dataclass
class ScalpingSetup:
    """Setup de scalping detectado."""
    name: str              # Nome do setup
    entry_price: float     # Preço de entrada
    stop_loss: float       # Stop loss
    take_profit: float     # Take profit
    risk_reward: float     # Relação risco/recompensa
    confidence: float      # Confiança do setup
    timeframe: str         # Timeframe recomendado

Exemplo de Uso

engine = TechnicalAnalysisEngine()

market_text = """
📊 DADOS DE MERCADO - WINV25
Preço Atual: 140135.00000 ↗
Variação: +5.00000 (+0.00%)
Máxima: 140155.00000
Mínima: 140075.00000
Volume: 5023
"""

result = engine.analyze_market_data(market_text)
print(f"Sinal geral: {result['overall_signal']}")
print(f"Confiança: {result['confidence']}%")

SentimentAnalysisEngine

Classe Principal

class SentimentAnalysisEngine:
    def __init__(self, model_name: str = None):
        """Inicializa o engine de análise de sentimento.
        
        Args:
            model_name (str, optional): Nome do modelo a usar
        """
    
    def analyze_sentiment(self, text: str) -> SentimentResult:
        """Analisa sentimento de um texto.
        
        Args:
            text (str): Texto para análise (max 512 tokens)
            
        Returns:
            SentimentResult: Resultado da análise
        """
    
    def batch_analyze(self, texts: List[str]) -> List[SentimentResult]:
        """Analisa múltiplos textos em lote.
        
        Args:
            texts (List[str]): Lista de textos
            
        Returns:
            List[SentimentResult]: Lista de resultados
        """

Estruturas de Dados

@dataclass
class SentimentResult:
    """Resultado de análise de sentimento."""
    text: str                    # Texto original
    sentiment: str               # POSITIVO, NEGATIVO, NEUTRO
    confidence: float            # Confiança (0-100)
    scores: Dict[str, float]     # Scores detalhados por classe
    keywords: List[str]          # Palavras-chave extraídas
    financial_indicators: List[str] # Indicadores financeiros detectados
    timestamp: str               # Timestamp da análise
    model_used: str             # Modelo utilizado

Exemplo de Uso

engine = SentimentAnalysisEngine()

text = "O mercado está muito otimista hoje, com forte alta nos índices."
result = engine.analyze_sentiment(text)

print(f"Sentimento: {result.sentiment}")
print(f"Confiança: {result.confidence}%")
print(f"Palavras-chave: {result.keywords}")

AdvancedFibonacciEngine

Classe Principal

class AdvancedFibonacciEngine:
    def __init__(self):
        """Inicializa o engine de análise de Fibonacci."""
    
    def perform_advanced_analysis(
        self,
        swing_high: float,
        swing_low: float,
        current_price: float,
        historical_data: Optional[pd.DataFrame] = None
    ) -> AdvancedFibonacciAnalysis:
        """Realiza análise avançada de Fibonacci.
        
        Args:
            swing_high (float): Preço do swing high
            swing_low (float): Preço do swing low
            current_price (float): Preço atual
            historical_data (pd.DataFrame, optional): Dados históricos
            
        Returns:
            AdvancedFibonacciAnalysis: Análise completa
        """

Estruturas de Dados

@dataclass
class FibonacciLevel:
    """Nível de Fibonacci."""
    level: float                 # Nível (0.236, 0.382, etc.)
    price: float                # Preço do nível
    type: str                   # 'retracement', 'extension', 'projection'
    ratio: float                # Ratio de Fibonacci
    distance_from_current: float # Distância do preço atual
    strength: float             # Força do nível (0-100)

@dataclass
class ConfluenceZone:
    """Zona de confluência."""
    price_range: Tuple[float, float] # Faixa de preços
    levels_count: int               # Número de níveis na zona
    strength: float                 # Força da zona
    types: List[str]               # Tipos de níveis presentes

@dataclass
class AdvancedFibonacciAnalysis:
    """Análise completa de Fibonacci."""
    swing_high: float
    swing_low: float
    current_price: float
    swing_range: float
    retracement_levels: List[FibonacciLevel]
    extension_levels: List[FibonacciLevel]
    projection_levels: List[FibonacciLevel]
    confluence_zones: List[ConfluenceZone]
    harmonic_patterns: List[HarmonicPattern]
    key_support: float
    key_resistance: float
    trend_direction: str
    fibonacci_zone: str
    overall_strength: float
    trading_signal: str
    alerts_count: int

🔄 Real-time Integration

RealTimeIntegration

Classe Principal

class RealTimeIntegration:
    def __init__(self, log_file_path: str):
        """Inicializa integração em tempo real.
        
        Args:
            log_file_path (str): Caminho para arquivo de log
        """
    
    def start(self):
        """Inicia monitoramento em tempo real."""
    
    def stop(self):
        """Para monitoramento."""
    
    def subscribe(self, callback: Callable[[BotEvent], None]):
        """Inscreve callback para eventos.
        
        Args:
            callback: Função a ser chamada para cada evento
        """

Estruturas de Dados

@dataclass
class BotEvent:
    """Evento do bot em tempo real."""
    timestamp: datetime
    event_type: str              # 'new_analysis', 'fibonacci_alert', etc.
    data: Dict[str, Any]        # Dados do evento
    priority: str               # 'low', 'normal', 'high', 'critical'

@dataclass
class RealTimeConfig:
    """Configuração de tempo real."""
    log_file_path: str
    check_interval: float        # Intervalo de verificação (segundos)
    max_queue_size: int         # Tamanho máximo da fila
    enable_notifications: bool   # Habilitar notificações
    auto_analysis: bool         # Análise automática
    backup_logs: bool           # Backup de logs

📊 Performance Monitor

PerformanceMonitor

Classe Principal

class PerformanceMonitor:
    def __init__(self, max_metrics_history: int = 1000):
        """Inicializa monitor de performance."""
    
    def start_monitoring(self, interval: float = 5.0):
        """Inicia monitoramento.
        
        Args:
            interval (float): Intervalo entre coletas (segundos)
        """
    
    def record_analysis_time(self, analysis_time: float):
        """Registra tempo de análise.
        
        Args:
            analysis_time (float): Tempo em segundos
        """
    
    def get_performance_summary(self) -> Dict[str, Any]:
        """Retorna resumo de performance.
        
        Returns:
            Dict com métricas de performance
        """

Estruturas de Dados

@dataclass
class PerformanceMetrics:
    """Métricas de performance."""
    timestamp: datetime
    cpu_usage: float            # Uso de CPU (%)
    memory_usage: float         # Uso de memória (%)
    memory_available: float     # Memória disponível (MB)
    disk_usage: float          # Uso de disco (%)
    analysis_time: float       # Tempo de análise (s)
    events_processed: int      # Eventos processados
    errors_count: int          # Contagem de erros
    bot_signals_count: int     # Sinais do bot
    fibonacci_alerts_count: int # Alertas de Fibonacci

🔍 Log Parser

VampireBotLogParser

Classe Principal

class VampireBotLogParser:
    def __init__(self):
        """Inicializa parser de logs."""
    
    def parse_log_content(self, log_content: str) -> Optional[BotAnalysis]:
        """Faz parse de conteúdo de log.
        
        Args:
            log_content (str): Conteúdo do log
            
        Returns:
            BotAnalysis ou None se parsing falhar
        """
    
    def parse_log_file(self, file_path: str) -> Optional[BotAnalysis]:
        """Faz parse de arquivo de log.
        
        Args:
            file_path (str): Caminho do arquivo
            
        Returns:
            BotAnalysis ou None se parsing falhar
        """

Estruturas de Dados

@dataclass
class BotAnalysis:
    """Análise completa do bot."""
    analysis_number: int
    timestamp: str
    market_data: MarketData
    technical_indicators: TechnicalIndicators
    fibonacci_analysis: FibonacciAnalysis
    performance_time: Optional[float] = None

@dataclass
class TechnicalIndicators:
    """Indicadores técnicos do log."""
    rsi: float
    rsi_status: str
    ema_fast: float
    ema_slow: float
    ema_trend: str
    bollinger_status: str
    bollinger_upper: float
    bollinger_lower: float
    atr: float
    volatility: str
    volatility_multiplier: float

🎨 UI Interface

GradioInterface

Classe Principal

class GradioInterface:
    def __init__(self):
        """Inicializa interface Gradio."""
    
    def create_interface(self) -> gr.Blocks:
        """Cria interface completa.
        
        Returns:
            gr.Blocks: Interface Gradio configurada
        """
    
    def launch(self, **kwargs):
        """Lança a interface com configurações otimizadas.
        
        Args:
            **kwargs: Argumentos para gr.launch()
            
        Configurações padrão para HF Spaces:
            - server_name: "0.0.0.0"
            - server_port: 7860
            - share: False
            - show_error: True
            - max_threads: 10
            - ssr_mode: False (para compatibilidade HF Spaces)
            - show_api: False
        """

Configurações HF Spaces

from hf_spaces_config import HuggingFaceSpacesConfig

# Uso automático das configurações HF Spaces
config = HuggingFaceSpacesConfig()
launch_config = config.get_launch_config()
demo.launch(**launch_config)

# Configuração manual para HF Spaces
demo.launch(
    server_name="0.0.0.0",
    server_port=7860,
    share=False,
    show_error=True,
    max_threads=10,
    ssr_mode=False,  # CRÍTICO: Evita erro 500 no HF Spaces
    show_api=False
)

Componentes da Interface

class UIComponents:
    """Componentes reutilizáveis da UI."""
    
    @staticmethod
    def create_market_input() -> gr.Textbox:
        """Cria campo de entrada de dados de mercado."""
    
    @staticmethod
    def create_sentiment_input() -> gr.Textbox:
        """Cria campo de entrada para análise de sentimento."""
    
    @staticmethod
    def create_fibonacci_inputs() -> Tuple[gr.Number, gr.Number, gr.Number]:
        """Cria campos para análise de Fibonacci."""

🛠️ Utilities

Utilitários de Validação

class ValidationUtils:
    @staticmethod
    def validate_market_data(data: Dict[str, Any]) -> bool:
        """Valida dados de mercado.
        
        Args:
            data: Dicionário com dados de mercado
            
        Returns:
            bool: True se válido
        """
    
    @staticmethod
    def validate_text_input(text: str) -> bool:
        """Valida entrada de texto.
        
        Args:
            text: Texto a validar
            
        Returns:
            bool: True se válido
        """

Utilitários de Formatação

class FormatUtils:
    @staticmethod
    def format_price(price: float) -> str:
        """Formata preço com separadores."""
    
    @staticmethod
    def format_percentage(value: float) -> str:
        """Formata porcentagem com sinal."""
    
    @staticmethod
    def format_analysis_result(result: Dict[str, Any]) -> str:
        """Formata resultado de análise para exibição."""

📋 Códigos de Erro

Códigos de Sistema

• SYS_001: Erro de inicialização
• SYS_002: Erro de configuração
• SYS_003: Erro de memória insuficiente

Códigos de Análise

• ANA_001: Dados de mercado inválidos
• ANA_002: Erro no modelo de IA
• ANA_003: Timeout de análise
• ANA_004: Erro de parsing de texto

Códigos de Interface

• UI_001: Erro de renderização
• UI_002: Entrada inválida
• UI_003: Erro de comunicação

🔧 Configuração de APIs

Variáveis de Ambiente

# Configurações de modelo
FINBERT_MODEL_PATH=/path/to/model
MAX_TEXT_LENGTH=512

# Configurações de performance
MAX_WORKERS=4
CACHE_SIZE=1000

# Configurações de logging
LOG_LEVEL=INFO
LOG_FILE_PATH=/path/to/logs

Configuração via Arquivo

# config.py
class APIConfig:
    MAX_TEXT_LENGTH = 512
    TIMEOUT_SECONDS = 30
    RETRY_ATTEMPTS = 3
    CACHE_TTL = 3600

📝 Exemplos de Integração

Exemplo Completo

from market_analysis import TechnicalAnalysisEngine
from sentiment_analysis import SentimentAnalysisEngine
from fibonacci_analysis import AdvancedFibonacciEngine

# Inicializar engines
tech_engine = TechnicalAnalysisEngine()
sentiment_engine = SentimentAnalysisEngine()
fib_engine = AdvancedFibonacciEngine()

# Dados de entrada
market_text = "Preço: 140135, Variação: +5"
sentiment_text = "Mercado muito otimista hoje"

# Análises
tech_result = tech_engine.analyze_market_data(market_text)
sentiment_result = sentiment_engine.analyze_sentiment(sentiment_text)
fib_result = fib_engine.perform_advanced_analysis(140570, 139540, 140135)

# Consolidar resultados
final_result = {
    'technical': tech_result,
    'sentiment': sentiment_result,
    'fibonacci': fib_result,
    'timestamp': datetime.now().isoformat()
}

print(json.dumps(final_result, indent=2, default=str))

🚀 Próximas Versões da API

v2.0 (Planejado)

• REST API completa
• WebSocket para tempo real
• Autenticação e autorização
• Rate limiting
• Documentação OpenAPI/Swagger

v3.0 (Futuro)

• GraphQL API
• Microserviços
• API Gateway
• Métricas avançadas
• Multi-tenancy