Como Criar um Bot de Opções com Python Integrando Bookmap e Dhan API

No mercado de derivativos, a diferença entre uma estratégia lucrativa e uma perda expressiva frequentemente reside em frações de segundo. Operadores de opções que dependem de leitura de fluxo de ordens conhecem o poder visual do Bookmap para identificar absorções de liquidez e ordens ocultas no livro de ofertas. No entanto, depender de reflexos manuais para executar estratégias complexas de opções — como spreads de volatilidade, travas e ajustes dinâmicos de delta — cria um gargalo crítico.

A automação ponta a ponta dessa operação une a inteligência visual de microestrutura de mercado do Bookmap à agilidade de execução programática da API da Dhan via Python. Exploramos a arquitetura necessária para construir esse ecossistema com confiabilidade e baixa latência.

1. A Arquitetura do Sistema: Desacoplando Análise e Execução

Para garantir que o processamento do fluxo de dados de mercado não atrase o envio das ordens, a arquitetura deve ser modular e baseada em eventos. A separação recomendada divide o bot em três camadas:

1. Camada de Sinal (Bookmap): Captura de liquidez em profundidade, desequilíbrio do book (Order Book Imbalance – OBI) e agressões concentradas.
2. Camada de Decisão (Core Python): Avaliação de gregas (Delta, Gamma, Vega, Theta), precificação teórica (Black-Scholes ou modelos numéricos) e regras de gestão de risco.
3. Camada de Execução (DhanHQ API): Roteamento assíncrono de ordens de opções, monitoramento de status de preenchimento e controle de posição.

Comunicação entre Bookmap e Python

O Bookmap permite a exportação de dados via API dedicada (Java API ou exportadores TCP/WebSocket). Através de um socket local em Python, o bot consome eventos do Bookmap em tempo real:

python
import asyncio
import json
import websockets

async def bookmaplistener(queue):
uri = “ws://localhost:8080/orderbook-events”
async with websockets.connect(uri) as websocket:
while True:
message = await websocket.recv()
eventdata = json.loads(message)
# Filtra eventos de absorção ou desbalanço de liquidez
if eventdata.get(“type”) == “ABSORPTIONDETECTED”:
await queue.put(event_data)

2. Processamento em Tempo Real e Gestão das Gregas

Em estratégias com opções, o sinal gerado no ativo subjacente precisa ser traduzido com precisão para o contrato de opção correspondente (strike e vencimento).

Como especialista em IA e engenharia de software voltada ao mercado quantitativo, observo que o maior erro em projetos de automação é negligenciar a velocidade no recálculo das gregas. Se o Bookmap sinaliza uma reversão por exaustão de compradores, o bot precisa imediatamente selecionar a opção com maior convexidade e liquidez sem congelar o loop de eventos.

Utilizar bibliotecas compiladas como py_vollib ou rotinas em NumPy para cálculo de volatilidade implícita garante que a tomada de decisão ocorra na casa dos milissegundos:

python
from pyvollib.blackscholes.greeks.analytical import delta

def calculatecontractdelta(flag, S, K, t, r, sigma):
“””
flag: ‘c’ para Call, ‘p’ para Put
S: Preço do ativo subjacente
K: Preço de exercício (Strike)
t: Tempo até vencimento anualizado
r: Taxa livre de risco
sigma: Volatilidade implícita
“””
return delta(flag, S, K, t, r, sigma)

3. Roteamento e Execução Segura com a API da Dhan

A Dhan disponibiliza uma biblioteca oficial em Python (dhanhq) que oferece endpoints REST e canais WebSocket para cotações e monitoramento de ordens.

Para derivativos, a gestão de risco na execução precisa ser preventiva. Antes de enviar qualquer ordem ao mercado, o bot deve validar:

• Exposição total por strike.
• Margem disponível na conta.
• Tolerância máxima de slippage.

python
from dhanhq import dhanhq

class DhanExecutionEngine:
def init(self, clientid, accesstoken):
self.dhan = dhanhq(clientid, accesstoken)

def execute_option_order(self, security_id, exchange_segment, transaction_type, quantity, price):
    try:
        order_response = self.dhan.place_order(
            security_id=str(security_id),
            exchange_segment=exchange_segment,
            transaction_type=transaction_type,
            quantity=quantity,
            order_type='LIMIT',
            product_type='INTRADAY',
            price=price
        )
        return order_response
    except Exception as e:
        # Log estruturado para auditoria de execução
        return {"status": "error", "message": str(e)}

4. Práticas Essenciais de Resiliência

1. Tratamento de Heartbeats e Reconexão: Tanto a ponte do Bookmap quanto os WebSockets da Dhan exigem rotinas com reconexão exponencial caso ocorra oscilação na rede.
2. Kill Switch Automatizado: Se a volatilidade se expandir além dos limites operacionais ou ocorrer perda percentual pré-definida, o sistema deve liquidar posições e revogar ordens abertas instantaneamente.
3. Logs Estruturados: Utilize bibliotecas como structlog ou loguru para registrar carimbos de data/hora (timestamps) em microssegundos em cada etapa do ciclo: detecção de sinal, cálculo e confirmação de preenchimento.

Transforme sua Estratégia em um Sistema Robusto

Integrar ferramentas analíticas avançadas como o Bookmap a APIs de corretoras como a Dhan exige arquitetura de baixa latência, gestão rigorosa de concorrência assíncrona e proteções contra falhas de execução no mercado de opções.

Se você busca profissionalizar sua operação com código Python de nível institucional, algoritmos personalizados ou integração de dados de mercado de alta frequência, entre em contato para uma consultoria técnica especializada em automação quantitativa.