Construindo o BR Macro Hub: Engenharia de Dados e IA aplicadas ao Mercado Financeiro

O mercado financeiro sofre de um problema crônico: fragmentação de dados. Para ter uma visão clara do cenário macroeconômico brasileiro, um analista precisa monitorar o site do Banco Central, o Yahoo Finance, notícias em portais diversos e ainda manter suas planilhas de Valuation atualizadas.

Como engenheiro de software com background em finanças, decidi resolver esse problema construindo o BR Macro Hub: uma aplicação fullstack que centraliza indicadores, realiza cálculos fundamentalistas em tempo real e utiliza Inteligência Artificial para gerar insights de mercado.

Neste artigo, vou detalhar as decisões de arquitetura e a stack tecnológica por trás do projeto.

A Arquitetura da Solução

Para garantir performance e escalabilidade, adotei uma arquitetura baseada em microsserviços containerizados. O sistema não depende de plataformas "serverless" gerenciadas (como Vercel ou Heroku); ele roda em uma VPS Linux (Virtual Private Server) sob meu controle total.

1. O Backend: Python & FastAPI

A escolha do Python foi natural devido ao seu domínio em Data Science. Porém, em vez de frameworks tradicionais como Django, optei pelo FastAPI.

• Performance Assíncrona: O uso de async/await permite que o sistema processe múltiplas requisições de dados externos (ETL) sem bloquear a thread principal.
• Tipagem Forte: O uso de Pydantic garante que os dados financeiros (que exigem precisão decimal) trafeguem com integridade.
• Cálculos Quantitativos: Implementei módulos proprietários para calcular WACC (Weighted Average Cost of Capital) e CAPM, cruzando dados da taxa livre de risco (Selic/Treasuries) com o beta dos ativos.

2. O Frontend: Next.js & Tailwind

Para o painel, a prioridade era a reatividade. O mercado muda a cada segundo, e a interface precisa refletir isso sem "flickering".

Utilizei Next.js (React) com componentes de servidor (RSC) para renderização inicial rápida e SEO, combinados com hooks de cliente para atualização dos gráficos em tempo real. A estilização com Tailwind CSS permitiu criar um tema "Dark Mode" profissional, similar aos terminais Bloomberg/ProfitChart.

3. A Inteligência Artificial (Gemini)

A grande inovação do projeto é o "Morning Call" automático. Integrei a API do Google Gemini 2.5 Flash ao pipeline de dados.

O sistema coleta as principais manchetes e variações do dia, envia um prompt estruturado com contexto financeiro para o modelo, e recebe de volta uma análise de sentimento (Bullish/Bearish/Neutro) e um resumo executivo. Isso transforma dados brutos em inteligência acionável.

Infraestrutura e DevOps

De nada adianta um código bom que não roda em produção. A infraestrutura foi desenhada para ser robusta e replicável:

• Docker & Compose: Toda a stack (Frontend, Backend, Banco de Dados) roda em containers isolados, garantindo paridade entre o ambiente de desenvolvimento e produção.
• Nginx Proxy Manager: Atua como Gateway reverso, gerenciando os certificados SSL (HTTPS) e roteando o tráfego para os containers corretos na rede interna do Docker.
• Banco de Dados: PostgreSQL para persistência de dados históricos e usuários.

Próximos Passos

O BR Macro Hub está vivo e em constante evolução. Os próximos ciclos de desenvolvimento focarão em adicionar backtesting de estratégias e alertas personalizados.

Você pode acessar a aplicação ao vivo ou conferir a documentação nos links abaixo:

• 🌐 Live Demo:hub.matheusrocha.cloud
• 💻 Repositório:GitHub / Documentation