Maschinelles Lernen
Deklarativer DAG von ML-Komponenten — Features, Targets, Vorverarbeitung, Validierung, Modelle — trainiert, validiert und materialisiert als Live-Indikator.
Premium-Modul
Die ML-Pipeline ist ein deklarativer DAG von Komponenten. Trainiert, validiert und materialisiert die Vorhersage als abgeleitete Serie — das Modell wird zu einem Live-Indikator, KEIN Neu-Training beim Serving.
Backends
Pipeline-Komponenten
feature_set wählt Spalten. gerar_lags erstellt zeitliche Lags. features_calendario fügt Stunde/Tag hinzu (sin/cos). interagir_colunas kombiniert Features (Verhältnis, Produkt, Differenz).
target_direcao klassifiziert +1/0/-1 mit Totzone. target_retorno kontinuierliche Regression. target_conjunto Multi-Label kategorial. target_custom Labeling via Python-Skript.
imputar (ffill, bfill, mean, median, constant). Scaler: zscore, minmax, robust, maxabs. winsorize schneidet Ausreißer nach Quantil ab. reduzir_pca reduziert Dimensionalität. selecionar_correlacao / selecionar_variancia filtern Features.
holdout einfacher zeitlicher Split. purged_kfold K-fold mit Embargo (verhindert Leakage). walk_forward expandierend oder rollierend. custom Partitionierung via Python-Skript.
modelo trainiert mit einem Backend. modelo_custom trainiert via Python-Skript. otimizar_hiperparametros Grid- oder Random-Suche via Cross-Validation.
prever materialisiert Vorhersage bei ct://derived/name_pred. aplicar_modelo wendet ein trainiertes Modell auf eine Serie ohne Neu-Training an — das Modell als Live-Indikator. avaliar berechnet eigene Metriken via Python-Skript.
Wirtschaftliche Bewertung
Die Pipeline kann optional einen teste de sobrevivência über die materialisierte Vorhersage ausführen. Standard: Long bei positiver Vorhersage, Short bei negativer. Eine benutzerdefinierte Rhai-Strategie kann bereitgestellt werden.