Fronteiras da Engenharia Financeira Quantitativa: Um Roteiro Técnico e Estratégico para o Desenvolvedor Independente na Era da IA (2025-2026)
O ecossistema da negociação quantitativa atravessou um ponto de inflexão decisivo na metade da década de 2020. Historicamente, a geração de alpha (retorno acima do mercado ajustado ao risco) era um privilégio exclusivo de instituições com capital massivo, acesso a dados proprietários e exércitos de PhDs em física e matemática. No entanto, o cenário de 2025 e 2026 revela uma democratização radical impulsionada pela convergência de três vetores tecnológicos: a maturidade da Inteligência Artificial Generativa e Agêntica, a institucionalização das estruturas de mercado de Finanças Descentralizadas (DeFi) e o avanço de arquiteturas de Deep Learning especializadas em séries temporais financeiras.
Para o desenvolvedor independente que busca construir um portfólio de "estado da arte" (SOTA - State of the Art), o desafio não reside mais na escassez de ferramentas, mas na complexidade da integração sistêmica. Um projeto que se pretenda avançado hoje não pode se limitar a regressões lineares ou estratégias de cruzamento de médias móveis. A fronteira do conhecimento exige a implementação de Transformers de Séries Temporais (como PatchTST e LiT), o uso de Aprendizado por Reforço Profundo (Deep Reinforcement Learning - DRL) enriquecido por análise de sentimento via LLMs, e a exploração de Intenções e Solvers em ambientes de liquidez programável como o Uniswap v4.
Este relatório técnico oferece uma análise exaustiva e um guia de implementação para essas tecnologias. Ele foi desenhado para o desenvolvedor solitário que, armado com assistentes de codificação baseados em IA (como Cursor e Claude 3.5), deseja replicar a sofisticação de um hedge fund multiestratégia. A análise a seguir transcende a superficialidade, mergulhando nas nuances matemáticas das arquiteturas de modelos, na engenharia de dados necessária para alimentar agentes autônomos e nos protocolos rigorosos de validação estatística que separam a descoberta de alpha genuíno do mero ruído estatístico.
Parte I: A Fronteira da Geração de Alpha (Deep Learning & Microestrutura)
O coração de qualquer sistema quantitativo é o modelo de previsão, ou "Modelo Alpha". A evolução recente neste campo foi marcada pelo abandono gradual das Redes Neurais Recorrentes (RNNs) e Long Short-Term Memory (LSTMs), que dominaram a literatura até 2022, em favor de arquiteturas baseadas em Transformers. A premissa central é que a capacidade de capturar dependências de longo prazo e interações não lineares em dados de alta frequência exige mecanismos de atenção mais robustos do que os oferecidos pelas recorrências sequenciais.
A aplicação direta de Transformers (como o BERT ou GPT) a dados financeiros enfrentou, inicialmente, barreiras significativas. Dados financeiros são contínuos, ruidosos e não possuem a semântica discreta de um vocabulário linguístico. A solução para este impasse emergiu com o desenvolvimento de técnicas de tokenização adaptadas ao domínio temporal, onde o modelo PatchTST (Patch Time Series Transformer) se estabeleceu como um divisor de águas entre 2024 e 2025.1
O PatchTST introduziu uma mudança paradigmática ao questionar a necessidade de modelar explicitamente as correlações cruzadas entre ativos dentro do mecanismo de atenção. Em vez de processar cada ponto de tempo individualmente, o modelo segmenta a série temporal em "patches" (subsequências ou janelas de tempo), que funcionam como os tokens de entrada para o Transformer.2
A arquitetura opera sob dois princípios fundamentais que um desenvolvedor independente deve compreender para implementação:
- Segmentação (Patching): Uma série temporal univariate
de comprimento
é dividida em patches de comprimento
com um passo (stride)
. Isso gera uma sequência de aproximadamente
tokens. A implicação prática é uma redução drástica na complexidade computacional da memória de atenção, que cai de quadrática em relação ao tempo (
) para quadrática em relação ao número de patches. Isso permite que o modelo "olhe para trás" (look-back window) por períodos muito mais longos — 512 ou 1024 pontos de tempo — capturando ciclos de mercado e tendências sazonais que modelos anteriores (limitados a janelas curtas) perdiam.3
- Independência de Canal (Channel Independence): Ao lidar com dados multivariados (por exemplo, preços de fechamento de 500 ações), o PatchTST trata cada série como um canal independente que compartilha os mesmos pesos do modelo (embedding e atenção). Contrariando a intuição de que a correlação entre ativos (ex: Apple e Microsoft movendo-se juntas) deve ser o foco primário, a evidência empírica sugere que forçar o modelo a aprender uma dinâmica temporal universal, aplicável a qualquer ativo, resulta em generalização superior e menor overfitting. As correlações cruzadas acabam sendo capturadas indiretamente, pois o modelo aprende a reagir a padrões globais de mercado que afetam todas as séries.1
Para um projeto de portfólio, a implementação do PatchTST demonstra domínio sobre as técnicas mais eficientes de pré-processamento e modelagem. O desenvolvedor deve utilizar bibliotecas como NeuralForecast ou implementações diretas em PyTorch, focando na otimização dos hiperparâmetros de stride e patch length para se adequar à volatilidade do ativo em questão.
Enquanto o PatchTST domina a previsão de tendências de médio prazo, o estado da arte para negociação de alta frequência (HFT) e análise de microestrutura reside nos Limit Order Book Transformers (LiT).4 O Livro de Ofertas (LOB) apresenta uma estrutura de dados tridimensional complexa: tempo, níveis de preço e volume (bid/ask), exigindo uma arquitetura que compreenda tanto a dinâmica temporal quanto a espacial.
Diferente de abordagens anteriores que utilizavam Redes Neurais Convolucionais (CNNs) para extrair características "espaciais" do LOB (tratando-o como uma imagem), o LiT emprega mecanismos de autoatenção para modelar as dependências entre diferentes níveis de preço. A inovação crucial aqui é a compreensão de que a liquidez não é estática; a presença de uma grande ordem de venda a cinco níveis de distância do preço atual (Best Ask + 5 ticks) exerce uma "pressão gravitacional" sobre o preço que modelos lineares ignoram.
A arquitetura LiT utiliza "patches estruturados" que agrupam níveis de preço e janelas de tempo, permitindo que o modelo aprenda padrões complexos como spoofing (ordens falsas colocadas para manipular o preço) ou exaustão de liquidez.4 Para o desenvolvedor independente, treinar um modelo LiT requer acesso a dados de LOB de alta fidelidade (como os disponibilizados publicamente pela Binance ou datasets acadêmicos como LOBSTER), e o projeto serve como uma demonstração poderosa de engenharia de dados e arquitetura de Deep Learning avançada.
Além da atenção temporal, 2025 viu o ressurgimento da análise no domínio da frequência. Modelos como o TimesNet transformam a série temporal 1D em representações 2D baseadas em periodicidade (usando Transformada Rápida de Fourier - FFT), permitindo o uso de backbones de visão computacional modernos (como Inception blocks) para capturar variações intra e inter-períodos.1
Similarmente, o iTransformer inverte a lógica convencional dos Transformers. Em vez de calcular a atenção sobre o eixo temporal (tokens de tempo), ele calcula a atenção sobre o eixo das variáveis (tokens de ativos).5 Isso é particularmente eficaz para capturar correlações complexas em portfólios diversificados, onde a relação entre, por exemplo, o preço do petróleo e uma ação de companhia aérea, é dinâmica e não-estacionária. Implementar e comparar o PatchTST contra o iTransformer em um conjunto de dados proprietário constitui um projeto de pesquisa robusto e atual.
Parte II: Execução Adaptativa e Aprendizado por Reforço Profundo (DRL)
Se os modelos de previsão são o "cérebro" analítico, o Aprendizado por Reforço Profundo (DRL) é o sistema nervoso responsável pela ação. A transição de modelos supervisionados (que apenas prevêem o preço) para agentes de DRL (que aprendem uma política de negociação) é um marco de sofisticação em projetos quantitativos. O problema fundamental que o DRL resolve é a natureza estocástica e interativa do mercado: uma previsão de preço correta não garante lucro se a execução for pobre ou se a gestão de risco for falha.
Uma das tendências mais avançadas documentadas em 2025 é a integração de características semânticas extraídas de Grandes Modelos de Linguagem (LLMs) diretamente no espaço de observação do agente de DRL. O framework Primo exemplifica essa abordagem híbrida, combinando um módulo de NLP (PrimoGPT) com um módulo de controle (PrimoRL).6
O desenvolvedor deve conceber o "Estado" () do agente não apenas como um vetor de preços e indicadores técnicos, mas como uma representação multimodal do mercado. No Primo, o estado é expandido para incluir:
- Indicadores Técnicos: RSI, MACD, Bandas de Bollinger, Retornos Logarítmicos.
- Estado do Portfólio: Saldo em caixa, posições abertas, lucro não realizado.
- Embeddings Semânticos: Vetores densos gerados por um LLM (como FinBERT ou um modelo Llama-3 fine-tuned) que processou as notícias e relatórios do dia. Estes vetores codificam sentimentos sutis — incerteza, otimismo cauteloso, medo regulatório — que não aparecem nos preços imediatamente.6
A inovação reside na fusão desses dados. O agente, tipicamente operando sob o algoritmo PPO (Proximal Policy Optimization), aprende a ponderar a importância do sinal técnico versus o sinal textual. Por exemplo, em dias de alta incerteza macroeconômica (detectada pelo componente de NLP), o agente pode aprender a reduzir o tamanho das posições ou exigir confirmações técnicas mais fortes antes de entrar em um trade, comportando-se de maneira mais conservadora do que um algoritmo puramente técnico.
A instabilidade é o "calcanhar de Aquiles" do DRL. Para mitigar o risco de um agente aprender uma política degenerada, o estado da arte envolve o uso de Ensembles de Agentes. Um projeto avançado não deve depender de um único algoritmo. Em vez disso, treina-se simultaneamente agentes baseados em PPO (bom para estabilidade), A2C (Advantage Actor-Critic, rápido) e DDPG (Deep Deterministic Policy Gradient, eficiente em espaços de ação contínuos).7
Um Meta-Agente ou mecanismo de votação supervisiona esses sub-agentes. O Meta-Agente avalia o desempenho recente (janela deslizante) de cada sub-agente e aloca capital dinamicamente para aquele que melhor se adapta ao regime de mercado atual. Se o mercado está em tendência forte, o DDPG pode performar melhor; em mercados laterais e ruidosos, o PPO pode ser superior. A implementação dessa hierarquia demonstra uma compreensão profunda de arquitetura de sistemas e gestão de risco algorítmica.
Um desafio comum para desenvolvedores independentes é a escassez de dados históricos para todos os ativos que desejam negociar. O framework CE-PPO (Cluster Embedding PPO) ataca este problema introduzindo a capacidade de generalização Zero-Shot.9
A técnica envolve o aprendizado não supervisionado de "Cluster Embeddings" — representações vetoriais que agrupam ativos com comportamentos dinâmicos similares (ex: ações de tecnologia de alta volatilidade vs. utilities de baixo beta). Quando o sistema encontra um ativo novo, que não estava no conjunto de treinamento, ele primeiro identifica a qual cluster este ativo pertence e, em seguida, aplica a política de negociação aprendida para aquele cluster. Isso permite que o sistema negocie centenas de ativos sem a necessidade de re-treinar modelos individuais para cada um, uma característica essencial para escalabilidade em produção.9
Parte III: A Camada Cognitiva - Agentes Autônomos e Raciocínio (Agentic AI)
Enquanto o Deep Learning lida com padrões numéricos, a "Nova Fronteira" de 2026 é o uso de IA Agêntica para replicar o processo de raciocínio de analistas humanos. Projetos nesta área não buscam apenas prever o "o quê" (preço), mas entender o "porquê" (causalidade), utilizando a capacidade de raciocínio lógico dos LLMs mais recentes.
O projeto mais ambicioso para um portfólio moderno é a construção de um sistema multi-agente, como o descrito na arquitetura TradingAgents.10 A ideia central é decompor o problema complexo da decisão de investimento em sub-tarefas especializadas, cada uma executada por uma instância de LLM com um persona e ferramentas específicas.
Utilizando bibliotecas como LangGraph ou AutoGen, o desenvolvedor orquestra a interação entre:
- Analista de Fundamentos: Acessa APIs (como SEC EDGAR ou Yahoo Finance) para ler balanços e filings (10-K, 10-Q). Sua função é calcular métricas de valuation e identificar riscos de liquidez ou solvência.
- Analista Técnico: Recebe dados de preço e volume, calculando indicadores e identificando padrões gráficos.
- Analista de Sentimento: Varre redes sociais (Twitter/X, Reddit) e feeds de notícias, utilizando ferramentas de NLP para quantificar o "humor" do mercado.
- Pesquisadores (Touro e Urso): Aqui reside a inovação do "Debate Estruturado". Um agente é instruído a ser otimista (Bull) e encontrar todas as razões para comprar. Outro é instruído a ser pessimista (Bear) e encontrar falhas na tese. Eles debatem entre si, gerando argumentos e contra-argumentos.10
- Gerente de Risco: Monitora a volatilidade e a exposição do portfólio, tendo poder de veto sobre as decisões.
- Trader (Decisor): Sintetiza os relatórios dos analistas e o resultado do debate para tomar a decisão final de alocação.
Este fluxo simula o "Sistema 2" de pensamento humano (lento, deliberativo e lógico), contrastando com a natureza "Sistema 1" (rápido e intuitivo) das redes neurais. Para o portfólio, documentar os logs desses debates e mostrar como o sistema evitou um trade ruim devido à intervenção do "Agente Urso" é uma prova poderosa de robustez.
A comunicação de bancos centrais ("Fedspeak") é intencionalmente ambígua. Modelos simples de sentimento falham em capturar as nuances de uma ata do FOMC. O estado da arte envolve o uso de LLMs para quantificar a Incerteza Perceptual.12
O método envolve pedir ao LLM que preveja as próximas palavras em declarações chave de política monetária e medir a entropia dessa distribuição de probabilidade. Alta entropia sugere que o próprio banco central está incerto ou enviando sinais mistos. Além disso, utiliza-se o LLM para extrair grafos de causalidade (Causal Graphs) do texto, mapeando afirmações como "Se a inflação persistir acima de 3%, então as taxas serão mantidas". Integrar esse sinal de incerteza em estratégias de volatilidade (como a compra de straddles antes de anúncios) é uma aplicação direta e sofisticada.
Parte IV: Microestrutura DeFi, Intenções e Liquidez Programável
O mercado de criptoativos e Finanças Descentralizadas (DeFi) oferece um playground único para engenharia financeira, onde as regras do mercado são definidas por código (Smart Contracts) e não por reguladores humanos. Em 2026, a inovação migrou da simples arbitragem de preços para a otimização de execução via Intenções e Hooks.
O Uniswap v4 introduziu o conceito de "Hooks" — contratos inteligentes que executam lógica arbitrária em pontos específicos do ciclo de vida de uma pool de liquidez (ex: antes de um swap, depois de adicionar liquidez).13 Isso permite a criação de estratégias de Market Making on-chain que reagem em tempo real às condições do mercado.
Projeto de Portfólio: Hook de Taxas Baseadas em Volatilidade
Uma implementação avançada envolveria criar um Hook que atua como um oráculo de volatilidade interno.
- Mecanismo: O contrato armazena um histórico curto dos últimos preços de transação. A cada novo swap, ele calcula a variância desses preços.
- Lógica: Se a variância (volatilidade) exceder um certo limiar, o Hook aumenta automaticamente a taxa de swap da pool (ex: de 0.3% para 1.0%).
- Justificativa: Em momentos de alta volatilidade, o risco de Perda Impermanente (Impermanent Loss - IL) para os provedores de liquidez aumenta drasticamente. Aumentar as taxas compensa os LPs por esse risco adicional e desencoraja a arbitragem tóxica (LVR - Loss Versus Rebalancing).
- Diferencial: Demonstrar, através de simulações em Python (usando o framework Foundry para testes), que essa pool dinâmica supera uma pool estática em rentabilidade.15
O modelo de transação tradicional ("Eu envio esta transação exata") está sendo substituído pelo modelo de Intenções ("Eu quero trocar X por Y ao melhor preço, não importa como"). Quem executa essa vontade são agentes off-chain chamados Solvers.16
Construir um Solver é um projeto de engenharia de software e otimização matemática de elite.
- O Desafio: O Solver compete em leilões de lote (batch auctions) para encontrar a melhor execução para um conjunto de ordens. Isso é uma variação do problema da mochila (Knapsack Problem) ou do problema do caixeiro viajante, onde o objetivo é maximizar o excedente (surplus) dos usuários.
- Tecnologia: Solvers competitivos são escritos em Rust ou C++ para minimizar a latência e maximizar a eficiência computacional. Eles interagem com a mempool pública e privada, buscando liquidez em múltiplas fontes (DEXs, CEXs, Market Makers privados) e combinando ordens que se anulam (Coincidence of Wants - CoW) para economizar taxas de gás e impacto de preço.17
Parte V: Engenharia Rigorosa e Validação (Onde a Maioria Falha)
A marca de um quant amador é um backtest com Sharpe Ratio de 5.0 que perde dinheiro na primeira semana de produção. O profissionalismo em 2026 é definido pelo rigor estatístico da validação.
A validação cruzada padrão (K-Fold) é matematicamente inválida para séries temporais financeiras devido à correlação serial dos dados. O método CPCV (Combinatorial Purged Cross-Validation), formalizado por Marcos Lopez de Prado, é o padrão ouro.19
O desenvolvedor deve implementar três salvaguardas críticas:
- Purging (Expurgo): Remover do conjunto de treinamento quaisquer amostras cujos rótulos (labels) se sobreponham temporalmente às amostras do conjunto de teste. Se você está prevendo o retorno de 5 dias à frente, deve remover os 5 dias de dados imediatamente anteriores ao início do teste para evitar vazamento de informação (leakage).
- Embargo: Descartar um período adicional após o conjunto de teste. Como as correlações financeiras decaem lentamente, amostras imediatamente posteriores ao teste ainda podem carregar "memória" do que aconteceu durante o teste.22
- Combinatorial Split: Em vez de um único caminho de teste (Walk-Forward), o CPCV gera múltiplos caminhos combinatórios de treino/teste. Isso permite gerar uma distribuição de Sharpe Ratios, não apenas um número. Se a estratégia falha em uma porcentagem significativa desses caminhos, ela deve ser descartada, independentemente de quão bom seja o resultado médio.
Para implementar CPCV e testar milhões de combinações de parâmetros, bibliotecas baseadas em loops (como Backtrader ou Zipline) são inviáveis. A solução SOTA é o VectorBT Pro.23
- Vetorização: O VectorBT opera inteiramente sobre arrays NumPy e utiliza a biblioteca Numba para compilar código Python em linguagem de máquina. Ele evita iterações linha-a-linha, calculando o PnL de milhares de estratégias simultaneamente através de operações de álgebra linear e broadcasting.
- Simulação de Portfólio: Ele permite simular não apenas sinais de compra/venda, mas a dinâmica complexa de um portfólio rebalanceado, considerando taxas, slippage variável e impacto de mercado, tudo em segundos. Dominar essa ferramenta é essencial para a iteração rápida exigida em projetos avançados.
Parte VI: O Stack Tecnológico Assistido por IA
Para um desenvolvedor solo realizar tudo o que foi descrito acima, o uso eficiente de ferramentas de IA não é opcional, é estrutural.
O IDE Cursor (um fork do VS Code) integrado ao modelo Claude 3.5 Sonnet (ou GPT-4o) atua como um par programador sênior.25
- Regras de Contexto (.cursorrules): O segredo para código de alta qualidade é definir regras estritas no arquivo .cursorrules do projeto.
- Exemplo de Regra: "Ao escrever código Python, utilize sempre type hints estritos. Prefira a biblioteca Polars em vez de Pandas para manipulação de dados. Utilize VectorBT para lógica de backtesting. Siga o padrão de design Factory para instanciar estratégias."
- Modo Composer: Permite editar múltiplos arquivos simultaneamente. Você pode solicitar: "Refatore a classe AlphaModel para incluir uma camada de atenção cruzada e atualize os testes unitários em test_alpha.py para refletir essa mudança", e a IA executará as alterações em todo o sistema de arquivos coerentemente.27
Em 2026, o uso de Polars tornou-se o padrão para processamento de dados financeiros em Python. Escrito em Rust, o Polars utiliza execução preguiçosa (lazy evaluation) e paralelismo multithread nativo, sendo 10 a 50 vezes mais rápido que o Pandas em grandes datasets.28 Para um projeto de LOB (Limit Order Book) com terabytes de dados, o Pandas é inviável, enquanto o Polars processa eficientemente em uma máquina local robusta.
Parte VII: Projetos de Portfólio (Blueprints Concretos)
Abaixo, detalham-se três especificações de projetos que cobrem diferentes espectros do conhecimento quantitativo. Escolher e executar um destes com profundidade posicionará o portfólio na elite do desenvolvimento independente.
- Objetivo: Prever movimentos de curto prazo (mid-price) usando dados de Livro de Ofertas.
- Dados: Dataset público de LOB (ex: FI-2010 ou dados de cripto da Binance via API Tardis).
- Arquitetura: Implementar o LiT (Limit Order Book Transformer).
- Entrada: Snapshots do LOB
.
- Modelo: Encoder Transformer com atenção espacial sobre os níveis de preço e atenção temporal sobre a sequência.
- Saída: Classificação ternária (Preço sobe, desce ou mantém em
ticks).
- Entrada: Snapshots do LOB
- Diferencial SOTA: Implementar uma camada de "Interpretabilidade". Usar mapas de atenção (Attention Maps) para visualizar quais níveis do livro de ofertas o modelo está "olhando" antes de grandes movimentos de preço. Isso demonstra não apenas habilidade de ML, mas entendimento de mercado.
- Objetivo: Sistema autônomo de análise e recomendação de investimento end-to-end.
- Tech Stack: Python, LangGraph, OpenAI API (ou Claude), Streamlit.
- Fluxo:
- O usuário insere um ativo.
- O sistema ativa 5 agentes especializados (Macro, Técnico, Fundamentalista, Notícias, Risco).
- Os agentes coletam dados reais.
- Ocorre uma rodada de "Debate" onde o Agente de Risco desafia as teses dos outros.
- O "Trader Agent" emite o veredito final com um "Score de Confiança".
- Diferencial SOTA: Implementar Memória de Longo Prazo (via Vector DB). O sistema deve lembrar de análises passadas: "Há duas semanas, eu recomendei COMPRA em NVDA baseado em RSI, mas o trade falhou. Hoje, o RSI está similar, mas dado o erro anterior, vou reduzir a confiança."
- Objetivo: Backtesting e Deploy de um Uniswap v4 Hook.
- Tech Stack: Solidity, Foundry, Python (para análise de dados).
- Lógica: Hook de taxa dinâmica baseada em volatilidade on-chain e desbalanceamento da pool.
- Validação: Criar um script de simulação em Python que gera trajetórias de preço (Movimento Browniano Geométrico) e compara o retorno do Lider de Liquidez (LP) usando o Hook versus uma pool padrão do Uniswap v3.
- Diferencial SOTA: Publicar o contrato na Testnet Sepolia e criar um dashboard simples (Dune Analytics ou customizado) mostrando as taxas capturadas em tempo real.
Conclusão
A barreira para a entrada na finança quantitativa de alto nível nunca foi tão baixa em termos de acesso a ferramentas, mas nunca foi tão alta em termos de complexidade intelectual exigida. O desenvolvedor que domina a sintaxe do Transformer, a semântica dos Agentes e a estrutura dos Hooks DeFi possui uma vantagem competitiva massiva.
A chave para o sucesso neste projeto de portfólio não é a amplitude — tentar fazer tudo — mas a profundidade e o rigor. Um único modelo LiT bem validado com CPCV e documentado com clareza vale mais do que dez bots de trading simples baseados em tutoriais genéricos. Utilize a IA como seu acelerador, mas mantenha o rigor matemático e a curiosidade investigativa como seus guias.
Citações: 1 (Séries Temporais/Transformers) 6 (Deep Reinforcement Learning) 10 (Agentes/LLMs/Fedspeak) 13 (DeFi/Hooks/Solvers) 19 (Backtesting/Validação) 25 (Ferramentas/Stack)
- (PDF) Transformers for time-series forecasting: A comprehensive survey through 2024, accessed February 10, 2026, https://www.researchgate.net/publication/399324903_Transformers_for_time-series_forecasting_A_comprehensive_survey_through_2024
- PatchTST: Transformer-based Time-Series Modeling - Emergent Mind, accessed February 10, 2026, https://www.emergentmind.com/topics/patchtst
- A Closer Look at Transformers for Time Series Forecasting: Understanding Why They Work and Where They Struggle - ICML 2026, accessed February 10, 2026, https://icml.cc/virtual/2025/poster/44262
- LiT: limit order book transformer - Frontiers, accessed February 10, 2026, https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2025.1616485/full
- thuml/Time-Series-Library: A Library for Advanced Deep Time Series Models for General Time Series Analysis. - GitHub, accessed February 10, 2026, https://github.com/thuml/Time-Series-Library
- Automated Trading Framework Using LLM-Driven Features and ..., accessed February 10, 2026, https://www.mdpi.com/2504-2289/9/12/317
- [2511.12120] Deep Reinforcement Learning for Automated Stock Trading: An Ensemble Strategy - arXiv, accessed February 10, 2026, https://arxiv.org/abs/2511.12120
- [2511.00190] Deep reinforcement learning for optimal trading with partial information - arXiv, accessed February 10, 2026, https://arxiv.org/abs/2511.00190
- Deep Reinforcement Learning for Financial Trading: Enhanced by ..., accessed February 10, 2026, https://www.mdpi.com/2073-8994/18/1/112
- TauricResearch/TradingAgents: TradingAgents: Multi ... - GitHub, accessed February 10, 2026, https://github.com/TauricResearch/TradingAgents
- TradingAgents: Multi-Agents LLM Financial Trading Framework, accessed February 10, 2026, https://tradingagents-ai.github.io/
- Interpreting Fedspeak with Confidence: A LLM-Based Uncertainty-Aware Framework Guided by Monetary Policy Transmission Paths - arXiv, accessed February 10, 2026, https://arxiv.org/html/2508.08001v1
- Unlocking Uniswap V4: Hooks as the Foundation for Next-Level DeFi - DEV Community, accessed February 10, 2026, https://dev.to/codebyankita/unlocking-uniswap-v4-hooks-as-the-foundation-for-next-level-defi-61o
- johnsonstephan/awesome-uniswap-v4-hooks - GitHub, accessed February 10, 2026, https://github.com/johnsonstephan/awesome-uniswap-v4-hooks
- Uniswap V4 Concentrated Liquidity Pricing: a Machine Learning ..., accessed February 10, 2026, https://www.suaspress.org/ojs/index.php/JIET/article/view/v1n1a03
- cowdao-grants/cow-py: CoW Protocol Python SDK - GitHub, accessed February 10, 2026, https://github.com/cowdao-grants/cow-py
- UniswapX, CoW Protocol, and 1inch Fusion Now Handle Billions in Monthly Volume Through Solver Auctions - The Intent Architecture Explained for Builders - General - Web3 Developer Forum - BlockEden.xyz, accessed February 10, 2026, https://blockeden.xyz/forum/t/uniswapx-cow-protocol-and-1inch-fusion-now-handle-billions-in-monthly-volume-through-solver-auctions-the-intent-architecture-explained-for-builders/462
- StateOfTheArt-quant/StateOfTheArt.quant: State-of-the-art performance in quantitative trading domain - GitHub, accessed February 10, 2026, https://github.com/StateOfTheArt-quant/StateOfTheArt.quant
- Using Neural Networks and Combinatorial Cross-Validation for ..., accessed February 10, 2026, https://fizzbuzzer.com/posts/using-neural-networks-and-ccv-for-smarter-stock-strategies/
- The Combinatorial Purged Cross-Validation method - Towards AI, accessed February 10, 2026, https://towardsai.net/p/l/the-combinatorial-purged-cross-validation-method
- Purged cross-validation - Wikipedia, accessed February 10, 2026, https://en.wikipedia.org/wiki/Purged_cross-validation
- Cross-validation tools for time series | by Samuel Monnier - Medium, accessed February 10, 2026, https://medium.com/@samuel.monnier/cross-validation-tools-for-time-series-ffa1a5a09bf9
- VectorBT® PRO: Getting started, accessed February 10, 2026, https://vectorbt.pro/
- Fundamentals - VectorBT® PRO, accessed February 10, 2026, https://vectorbt.pro/documentation/fundamentals/
- AI Coding with Claude & Cursor - Create a Complete App with Cursor - YouTube, accessed February 10, 2026, https://www.youtube.com/watch?v=kN66McRztJU&vl=en
- Cursor AI Tutorial for Beginners - YouTube, accessed February 10, 2026, https://www.youtube.com/watch?v=3289vhOUdKA
- Mastering Long Codebases with Cursor, Gemini, and Claude: A Practical Guide, accessed February 10, 2026, https://forum.cursor.com/t/mastering-long-codebases-with-cursor-gemini-and-claude-a-practical-guide/38240
- The Ultimate Python Quantitative Trading Ecosystem (2025 Guide) | by Mahmoud Ali | Jan, 2026 | Medium, accessed February 10, 2026, https://medium.com/@mahmoud.abdou2002/the-ultimate-python-quantitative-trading-ecosystem-2025-guide-074c480bce2e
- Open-Finance-Lab/AgenticTrading - GitHub, accessed February 10, 2026, https://github.com/Open-Finance-Lab/AgenticTrading
- Uniswap v4 and the Future of Liquidity Provision: A Market Maker's Perspective, accessed February 10, 2026, https://acherontrading.com/blog/uniswap-v4-and-the-future-of-liquidity-provision
- CoW Protocol - GitHub, accessed February 10, 2026, https://github.com/cowprotocol