🧠 10x-AT — moduł analizy technicznej dla AIvestor

10x-AT to niezależny, modularny komponent systemu AIvestor.pl, który realizuje wybrane aspekty analizy technicznej rynków finansowych. Projekt został zaprojektowany tak, by można go było wdrożyć jako integralny fragment ekosystemu AIvestor. Aktualne repozytorium implementuje logike obliczania oraz wizualna prezentacje wyników na potrzeby projektu zaliczoniowego ze szkolenia 10xDev.

Aktualna wersja modułu jest dostępna publicznie pod adresem:
👉 https://10x.aivestor-ui.pl/

Referencyjny projekt AIvestor.pl to eksperymentalna, wieloagentowa architektura decision intelligence (R&D), event‑driven i human‑in‑the‑loop: łączy analizę techniczną, newsy ESPI, sentyment, profil spółek oraz strategię/inencję użytkownika wyrażoną w języku naturalnym. Nie jest produktem komercyjnym ani poradą inwestycyjną – służy do testowania hipotez (explainability, odporność architektury, spójność decyzji).

Niniejsze repozytorium (10x-AT) jest wyłącznie modułem analizy technicznej tego systemu; docelowo zostanie włączony do projektu referencyjnego AIvestor jako jedna z wyspecjalizowanych usług / agentów dostarczająca widoki AT, scoring ukrytej akumulacji i sygnały formacji.

Moduł koncentruje się na analizie technicznej (Technical Analysis), w szczególności:

• przetwarzaniu i agregacji danych giełdowych (candlestick, volume, OBV, VIX),
• wykrywaniu formacji oraz anomalii wolumenowych,
• generowaniu sygnałów „spring" i „box pattern",
• detekcji ukrytej akumulacji (hidden accumulation),
• wizualizacji wyników w sposób interaktywny.

• 🧩 stworzenie elastycznego modułu AT możliwego do integracji z różnymi źródłami danych,
• 📊 wizualizacja i testowanie autorskich wskaźników w czasie rzeczywistym,
• 🧠 umożliwienie połączenia analiz technicznych z warstwą AI / Machine Learning AIvestora,
• 🌍 wdrożenie produkcyjne jako część AIvestor Cloud Infrastructure.

• Platform szkoleniowa 10xDevs.pl

• GitHub Copilot
• ClickUp
• ChatGPT
• mermaid.live
• eraser.io

• Python 3.12 lub wyższy
• PostgreSQL 14+ (lokalnie lub zdalnie)
• pip do zarządzania zależnościami

1. Instalacja zależności Python:

pip install -r requirements.txt

2. Konfiguracja bazy danych:

   • Utwórz plik .env na podstawie konfiguracji środowiskowej
   • Zaktualizuj dane dostępowe do PostgreSQL

3. Utworzenie bazy danych PostgreSQL:

createdb aivestor_at

4. Uruchomienie migracji:

yoyo apply --config yoyo.ini

Uruchomienie aplikacji Streamlit:

streamlit run python/ui/main.py

Aplikacja będzie dostępna pod adresem http://localhost:8501

Uruchomienie wszystkich testów:

pytest

Testy z pokryciem kodu:

pytest --cov=. --cov-report=html

├── python/                   # Kod źródłowy Python
│   ├── config/              # Konfiguracja globalna
│   │   └── globals.py       # Stałe konfiguracyjne
│   ├── database/            # Warstwa dostępu do danych
│   │   ├── crud.py          # Operacje CRUD
│   │   ├── reporting.py     # Raporty i agregacje
│   │   └── users.py         # Zarządzanie użytkownikami
│   ├── etl/                 # Procesy ETL
│   │   └── calc_accum.py    # Kalkulacja wskaźników akumulacji
│   ├── tools/               # Narzędzia pomocnicze
│   │   ├── logger.py        # System logowania
│   │   ├── utils.py         # Funkcje pomocnicze
│   │   └── encryption.py    # Szyfrowanie danych
│   └── ui/                  # Interfejs użytkownika Streamlit
│       ├── main.py          # Główny punkt wejścia
│       ├── auth.py          # Autoryzacja użytkowników
│       ├── instrument_view.py  # Widok instrumentów
│       └── user_management.py  # Zarządzanie użytkownikami
├── migrations/              # Skrypty migracji Yoyo
│   ├── 0010_create_schemas.sql    # Schematy bazy danych
│   ├── 0030_create_trans_tables.sql  # Tabele transakcyjne
│   ├── 0110_create_user_config.sql   # Konfiguracja użytkowników
│   └── 0130_at.sql                   # Widoki analizy technicznej
├── tests/                   # Testy jednostkowe
│   ├── test_db.py          # Testy bazy danych
│   └── test_users.py       # Testy użytkowników
├── charts/                  # Diagramy i specyfikacje
├── docs/                    # Dokumentacja statyczna
├── logs/                    # Logi aplikacji
├── requirements.txt         # Zależności Python
├── pyproject.toml          # Metadane projektu
└── yoyo.ini                # Konfiguracja migracji

Ćwiczenia do rozwoju umiejętności AI-assisted development:

1. Analiza techniczna - Eksperymentowanie z nowymi wskaźnikami i algorytmami detekcji
2. Analiza pokrycia testami - Rozbudowa testów dla modułów analitycznych
3. Diagramy Mermaid - Generowanie diagramów z /charts/request.md
4. Własne reguły AI - Modyfikacja zachowań AI poprzez custom rules

• ✅ Analiza hidden accumulation (ukryta akumulacja)
• ✅ Wykrywanie formacji box pattern i spring signals
• ✅ Wieloskładnikowy scoring (C1-C5: volatility compression, volume ratio, OBV flow, no-supply, spring)
• ✅ Interaktywne wykresy Plotly z OHLCV
• ✅ System zarządzania użytkownikami z autentykacją
• ✅ Widok instrumentów z profilem spółek (kapitalizacja, branża, opis)
• ✅ Integracja z danymi BiznesRadar i XTB
• ✅ Snapshoty wskaźników z timestampami
• ✅ PostgreSQL z zaawansowanymi widokami analitycznymi
• ✅ ETL dla kalkulacji akumulacji
• ✅ System logowania i monitoringu
• ✅ Streamlit responsive UI

v_candles_1m - Podstawowe dane OHLCV w interwale 1-minutowym

v_base_20 - Okno 20-periodowe z podstawowymi wskaźnikami:

• ATR (Average True Range) - zmienność
• SMA/EMA - średnie kroczące
• OBV (On-Balance Volume) - przepływ wolumenu
• Up/Down volume ratio - proporcje wzrostów/spadków
• Spread statistics - analiza spreadów

v_hidden_20 - Zaawansowana detekcja ukrytej akumulacji:

• C1 (25%): Volatility compression (kontrakcja zmienności)
• C2 (25%): Up/Down volume ratio (dominacja up volume)
• C3 (30%): Money flow (OBV slope + flat price)
• C4 (15%): No-supply signals (brak podaży)
• C5 (5%): Spring detection (wybicie w dół i odwrót)
• hidden_accum_score: Kompozytowy wynik 0-100
• hidden_accum_setup: Boolean flag dla setupów >70 score

indicator_snapshot - Tabela z historycznymi snapshotami wskaźników

Moduł python/etl/calc_accum.py odpowiada za:

• Inkrementalne updaty snapshots wskaźników
• Wywołanie stored procedures dla kalkulacji
• Logging i monitoring procesu

• raw - Surowe dane z zewnętrznych źródeł
• trans - Dane transakcyjne (quotes, session calendar)
• at - Analiza techniczna (widoki, snapshots)

# Zastosuj wszystkie oczekujące migracje
yoyo apply --config yoyo.ini

# Cofnij ostatnią migrację
yoyo rollback

# Sprawdź status migracji
yoyo list

# Utwórz nową migrację
yoyo new -m "Opis zmian"

at.users - Użytkownicy systemu:

• id - Primary key
• username - Unikalna nazwa użytkownika
• password_hash - Zahashowane hasło
• email - Adres email
• is_active - Status aktywności
• created_at, updated_at - Timestampy

trans.br_quotes - Notowania giełdowe:

• oid - Object ID (identyfikator instrumentu)
• ts_dt - Timestamp notowania
• open, high, low, close - OHLC
• volume, amount - Wolumen i wartość
• grain - Interwał (1m, 5m, 1h, etc.)

at.indicator_snapshot - Snapshoty wskaźników:

• oid - Identyfikator instrumentu
• ts - Timestamp snapshotu
• indicator_name - Nazwa wskaźnika
• values - JSONB z wartościami wskaźników

Formatowanie kodem Black:

black .

Linting z Flake8:

flake8 .

Type checking z MyPy:

mypy .

pytest --watch
# lub
ptw

Moduł 10x-AT integruje się z platformą AIvestor poprzez:

• Wspólną bazę danych PostgreSQL
• Zunifikowany model danych dla instrumentów finansowych
• Współdzielone mechanizmy autentykacji

Projekt jest częścią ekosystemu AIvestor.pl i 10xDevs.pl.

ISC