📊 Feature Experiments

Português | English

Plataforma de experimentação de features financeiras para modelos de Machine Learning aplicados ao mercado financeiro / Financial feature experimentation platform for ML models applied to financial markets

---

Português

📋 Visão Geral

O Feature Experiments é uma plataforma de experimentação para engenharia de features financeiras, focada na criação e avaliação de indicadores técnicos para modelos de Machine Learning aplicados ao mercado financeiro brasileiro (B3 - WIN$N mini-índice).

O projeto compara três abordagens de geração de features:

• SA-Lib (Custom): Biblioteca proprietária de indicadores customizados
• TA-Lib: Biblioteca padrão da indústria (Technical Analysis Library)
• SA-Lib + TA-Lib: Combinação híbrida das duas abordagens

🏗️ Arquitetura

graph TB
    subgraph Input["📥 Dados de Entrada"]
        A[WIN$N M15<br/>Mini-Índice 15min]
    end

    subgraph Features["🔬 Engenharia de Features"]
        B[SA-Lib<br/>Indicadores Custom]
        C[TA-Lib<br/>Indicadores Padrão]
        D[Híbrido<br/>SA-Lib + TA-Lib]
    end

    subgraph Indicators["📈 Indicadores Gerados"]
        E[Multi-Timeframe<br/>Day/Week/Month/H1]
        F[Técnicos<br/>SMA/EMA/RSI/MACD]
        G[Derivados<br/>Close-to-Open/Ranges]
    end

    subgraph ML["🤖 Modelos ML"]
        H[Predição<br/>output_pred.csv]
    end

    A --> B & C & D
    B --> E & G
    C --> F
    D --> E & F & G
    E & F & G --> H

    style Input fill:#e3f2fd
    style Features fill:#f3e5f5
    style Indicators fill:#e8f5e9
    style ML fill:#fff3e0

Loading

📁 Estrutura do Projeto

FeatureExperiments/
├── experimentos_salib/           # Experimentos com SA-Lib (custom)
│   ├── experimentos_salib.ipynb  # Notebook de análise
│   ├── myfeatures.py             # Features customizadas
│   ├── myindicators.py           # Indicadores técnicos
│   ├── salib.py                  # Biblioteca SA-Lib
│   ├── WIN$N_M15.csv             # Dados do mini-índice
│   └── output_pred.csv           # Resultados de predição
├── experimentos_talib/           # Experimentos com TA-Lib
│   ├── experimentos_talib.ipynb  # Notebook de análise
│   ├── myfeatures.py             # Features com TA-Lib
│   ├── myindicators.py           # Newton features + TA-Lib
│   ├── salib.py                  # Funções auxiliares
│   └── WIN$N_M15.csv             # Dados do mini-índice
├── experimentos_talib+salib/     # Experimentos híbridos
│   ├── experimentos_talib_salib.ipynb
│   ├── myfeatures.py             # Features combinadas
│   ├── myindicators.py           # Todos os indicadores
│   └── salib.py                  # Funções auxiliares
└── Anexo A - Experimentos.pdf    # Documentação dos experimentos

🔬 Features Implementadas

SA-Lib (Custom)

• Multi-Timeframe Transform: Conversão de candles entre timeframes (M15→Day/Week/Month/H1)
• Close-to-Open (CTO): Variação percentual entre fechamento e abertura em múltiplos períodos
• Range Analysis: Amplitude intraday em pontos e percentual
• Newton Features: Máximas/mínimas de N dias anteriores com janela deslizante

TA-Lib

• Médias Móveis: SMA, EMA em múltiplos períodos
• Osciladores: RSI, Stochastic, CCI, Williams %R
• Tendência: MACD, ADX, Parabolic SAR
• Volatilidade: Bollinger Bands, ATR
• Volume: OBV, AD Line, MFI

🏭 Aplicações na Indústria

Setor	Aplicação
Trading Quantitativo	Geração de sinais alpha com features multi-timeframe
Gestão de Risco	Indicadores de volatilidade para dimensionamento de posição
Fundos de Investimento	Backtesting de estratégias com feature selection
Prop Trading	Modelos de predição para day trading no mini-índice
Fintech	Algoritmos de recomendação de investimento

🚀 Como Executar

# Clonar o repositório
git clone https://github.com/galafis/FeatureExperiments.git
cd FeatureExperiments

# Instalar dependências
pip install numpy pandas matplotlib ta-lib

# Executar notebooks
jupyter notebook experimentos_salib/experimentos_salib.ipynb

---

English

📋 Overview

Feature Experiments is a financial feature engineering experimentation platform, focused on creating and evaluating technical indicators for Machine Learning models applied to the Brazilian financial market (B3 - WIN$N mini-index futures).

The project compares three approaches for feature generation:

• SA-Lib (Custom): Proprietary custom indicator library
• TA-Lib: Industry-standard Technical Analysis Library
• SA-Lib + TA-Lib: Hybrid combination of both approaches

🏗️ Architecture

See the Mermaid diagram in the Portuguese section above.

🔬 Implemented Features

SA-Lib (Custom)

• Multi-Timeframe Transform: Candle conversion between timeframes (M15→Day/Week/Month/H1)
• Close-to-Open (CTO): Percentage change between close and open across multiple periods
• Range Analysis: Intraday amplitude in points and percentage
• Newton Features: Highs/lows from N previous days with sliding window

TA-Lib

• Moving Averages: SMA, EMA across multiple periods
• Oscillators: RSI, Stochastic, CCI, Williams %R
• Trend: MACD, ADX, Parabolic SAR
• Volatility: Bollinger Bands, ATR
• Volume: OBV, AD Line, MFI

🏭 Industry Applications

Sector	Application
Quantitative Trading	Alpha signal generation with multi-timeframe features
Risk Management	Volatility indicators for position sizing
Investment Funds	Strategy backtesting with feature selection
Prop Trading	Prediction models for day trading on mini-index futures
Fintech	Investment recommendation algorithms

🚀 Getting Started

# Clone the repository
git clone https://github.com/galafis/FeatureExperiments.git
cd FeatureExperiments

# Install dependencies
pip install numpy pandas matplotlib ta-lib

# Run notebooks
jupyter notebook experimentos_salib/experimentos_salib.ipynb

---

👤 Autor / Author

Gabriel Demetrios Lafis

• GitHub: @galafis
• LinkedIn: Gabriel Demetrios Lafis

📄 Licença / License

This project is licensed under the MIT License - see the LICENSE file for details.