O stockprecog prediz P(trade dá certo) cross-sectionalmente em ações brasileiras (B3) — e é deliberadamente um estudo de invalidação honesta. O achado principal é modesto e parcialmente negativo, e esse é o ponto. A contribuição não é um alpha mágico; é a régua de avaliação anti-autoengano, construída sobre a metodologia de López de Prado / Advances in Financial Machine Learning: dados point-in-time, features auditadas por causalidade (zero look-ahead), Sharpe deflacionado, e cada trial logado num JSON em vez de escolhido a dedo.
O que a régua disse
Sinais derivados de preço — momentum, volatilidade, diferenciação fracionária, microestrutura de Amihud, detecção de regime CUSUM/SADF — são estatisticamente reais mas economicamente sub-marginais: Sharpe deflacionado bruto de uns 0,41 desaba pra cerca de −1,1 líquido de custos com rebalanceamento a 10 dias. O resultado é robusto do jeito que importa: decis não salvam, horizontes maiores não salvam, e até um piso de custo só-spread fica perto de zero pra large caps. Se um pipeline com esse cuidado diz que um sinal é sub-econômico, o veredito é o resultado.
O README abre com a frase que um recrutador deveria ler duas vezes: isto não é um sistema de trading e nunca alega ser. É um exemplo trabalhado de como avaliar uma estratégia sem se enganar — 26 testes mantêm o pipeline honesto sobre a própria mecânica.
Por que publicar um resultado negativo
Porque resultado negativo com metodologia rigorosa é mais raro e mais útil que backtest otimista, e porque publicar força a disciplina. O estudo está arquivado no Zenodo com DOI citável (10.5281/zenodo.20706701) e o tooling do dataset é reproduzível de ponta a ponta.
Posicionamento às claras: não sou quant e não me apresento como um — isto vive no meu portfólio como evidência de método: como eu meço, como resisto à vontade de acreditar nos próprios resultados, e como o mesmo reflexo de "testar, não inferir" da engenharia se comporta apontado pra finanças.