Como alguém montou agentes com rotinas, handoff e um executor para operar US$ 10.000 em ações. Eu não confio nisso para operar; aqui a gente aprende com o que ele fez.
Trade é risco alto, tem variáveis demais e sempre tem alguém do outro lado com informação que a gente não tem. Não é conselho financeiro, não é estratégia validada e não é convite para colocar dinheiro em robô. O próprio desafio terminou perdendo para o S&P 500. O objetivo aqui é aprender como os agentes foram montados, onde travaram e o que mudou no caminho.
Fonte: vídeo no YouTube “I Gave GPT 6 Astra $10,000 to Trade Stocks...And This Happened”. Tudo é paráfrase; números “conforme relatado no vídeo”, sem auditoria.
US$ 10.000 de dinheiro real, 7 pregões, meta de bater o S&P 500. O autor podia fazer até duas mudanças por dia, mas não podia desligar o sistema.
Sete despertares por pregão, cada um com uma pergunta só: o que vigiar, se entra, se sai, se zerou.
Cada rotina lê o bilhete da anterior e deixa outro para a próxima. Tudo na mesma thread: parece um agente só.
Quando o modelo recusou executar ordens, virou só estrategista e passou a mandar as recomendações por e-mail a um bot que opera na Alpaca.
Horários em Central Time (pregão das 8:30 às 15:00 CT). Em cada despertar: lê o handoff → confere a conta → decide → escreve o próximo handoff.
Nada disso vem com código neste repositório. Os templates explicam a arquitetura; para testar, só em conta simulada.
Esforço alto. Pesquisa, notícias, escolha de ativos e decisões. Na montagem, delegou a pesquisa a vários subagentes.
Sete horários fixos, desligados em dia sem pregão. Uma conversa só guarda o histórico do dia inteiro.
Bot com e-mail próprio e webhook: acorda com a mensagem do estrategista e envia as ordens para a corretora.
Uma ordem de leitura que vai das regras às lições. Cada passo aponta para um arquivo real do repo.
Capital, prazo, meta relativa ao S&P, as duas mudanças por dia e a arquitetura final.
git clone https://github.com/inematds/trade-com-agentes cat metodo/01-visao-geral.md
Os sete horários, o que cada rotina faz e como a agenda foi mudando ao longo da semana.
cat metodo/02-rotinas.md cat templates/rotinas.yaml # agenda + portões antes e depois do dia 1
A peça que dá continuidade: o que o bilhete precisa ter e por que o saldo deve vir da corretora, não do bilhete.
cat metodo/03-handoff.md cat templates/handoff.md # modelo reconstruído (o vídeo não mostra o original)
Por que o modelo recusou operar, como o e-mail virou o contrato e o que o executor deveria recusar.
cat metodo/04-estrategista-executor.md cat templates/recomendacao.json # formato fixo estrategista → executor
De risco/retorno 2:1 e filtros duros até 100% investido e posições de um dia para o outro.
cat metodo/05-portoes-de-risco.md cat templates/prompt-rotina.md # prompt de rotina com os portões explícitos
O que aconteceu em cada pregão e o que dá para aproveitar em outros agentes.
cat metodo/06-diario-7-dias.md cat metodo/07-licoes.md
Valores aproximados ditos no vídeo, sem auditoria. A transcrição é automática: nomes como “FPS” e “GrokBot” não foram verificados.
Comprou Tesla e o stop disparou logo. Autor pede plano mais ativo e risco/retorno 1,5:1.
Variação de ≈ US$ 0,21. O modelo recusa executar; entra o bot executor via e-mail → Alpaca.
Primeiras posições (HPE, Exxon, Apple). Ainda ≈ 60% em caixa.
≈ 80% investido. Dia de ≈ −2,26% contra ≈ −0,5% do S&P.
Quase 100% investido. ≈ +0,37% contra ≈ −0,45% do S&P.
Fed sobe juros; mercado cai. O agente vende parte e recompra. ≈ −0,87%.
Melhor dia: ≈ +1,87% contra ≈ +1,14% do S&P. Não bastou.
Sistema ≈ −1,0%; mesmo dinheiro no S&P ≈ −0,2%. Diferença de ≈ 0,8 ponto.
A arquitetura tem ideias boas para qualquer agente. A parte de operar dinheiro é outra conversa.