Machine learning pour le trading
sans écrire de Python.
Pipeline déclaratif visuel : glissez, connectez, configurez. Ingénierie de features, validation croisée temporelle, ajustement des hyperparamètres et déploiement — tout dans la même application, tout composable.
Verida ML — visual declarative DAG, from raw data to materialized prediction
Le flux du pipeline
Des données brutes à la prédction matérialisée comme indicateur en direct.
Backends de modèles
Intégrés ou personnalisés. Le framework est agnostique à l'algorithme.
Gradient Boosting
gbdt Arbres de décision en ensemble. Robuste, gère la non-linéarité. Via scikit-learn.
MLP
mlp Réseau neuronal multicouche. Via PyTorch. Flexible pour les schémas complexes.
Random Forest
random_forest Ensemble d'arbres indépendants. Réduit la variance, résistant à l'overfitting.
Centroid
centroide Classificateur de distance au centroïde. Simple, interprétable, sans dépendances externes.
KNN
knn K-Nearest Neighbors. Classification par proximité dans l'espace de features.
K-Means
kmeans Clustering non supervisé. Regroupe les schémas sans étiquettes, utile pour les régimes.
Isolation Forest
isolation_forest Détection d'anomalies. Identifie les outliers sans étiquetage préalable.
Linéaire
linear Régression/classification linéaire. Base interprétable, rapide à entraîner.
+ Backends personnalisés via script Python inline — définissez treinar/inferir et utilisez n'importe quelle bibliothèque.
Composants du DAG
Chaque nœud est une transformation. Composez comme vous le souhaitez.
Ingénierie de Features
Lags, transformations (log, sqrt, return_pct), interactions (ratio, produit, différence).
Features de Calendrier
Heure du jour, jour de la semaine, encodage sinusoïdal pour la cyclicité.
Imputation
Remplissage des NaN (moyenne, médiane, zéro, ffill, bfill). Causal, sans look-ahead.
Retrait des Outliers
Écrêtage par quantiles empiriques. Élimine les extrêmes sans distordre la distribution.
Seuil de Variance
Écarte les features à variance nulle. Élimine les colonnes qui n'ajoutent pas d'information.
Filtre de Corrélation
Conserve top-k features par corrélation avec la cible. Réduit la multicolinéarité.
Validation Croisée
K-fold temporel, walk-forward (expanding ou rolling), avec embargo.
Ajustement des Hyperparamètres
Grid search ou random search, avec métrique de classement par évaluation.
Étiquetage
Étiquettes comme direction (+1/0/-1), rendement continu ou combinaison catégorielle.
Le ML n'est pas un oracle
Le pipeline optimise sur les données historiques. Mieux que l'intuition ? Peut-être. Mieux que l'overfitting manuel ? Certainement. Prédit l'avenir ? Non. Les marchés sont inconnaissables.
Ce que fait le ML : trouve des schémas dans le passé. Ce que vous faites : décider si ces schémas comptent.