Pembelajaran mesin untuk trading
tanpa menulis Python.
Pipeline deklaratif visual: seret, sambungkan, konfigurasi. Feature engineering, validasi silang temporal, tuning hiperparameter, dan deployment — semuanya dalam satu aplikasi, semuanya dapat dikomposisikan.
Verida ML — visual declarative DAG, from raw data to materialized prediction
Alur pipeline
Dari data raw hingga prediksi yang termaterialisasi sebagai indikator live.
Backend model
Bawaan atau kustom. Framework bersifat agnostik terhadap algoritma.
Gradient Boosting
gbdt Pohon keputusan dalam ensemble. Robust, menangani non-linearitas. Via scikit-learn.
MLP
mlp Jaringan saraf multilayer. Via PyTorch. Fleksibel untuk pola kompleks.
Random Forest
random_forest Ensemble pohon independen. Mengurangi varians, tahan terhadap overfitting.
Centroid
centroide Klasifikator jarak centroid. Sederhana, dapat diinterpretasi, tanpa dependensi eksternal.
KNN
knn K-Nearest Neighbors. Klasifikasi berdasarkan kedekatan di ruang fitur.
K-Means
kmeans Clustering tanpa pengawasan. Mengelompokkan pola tanpa label, berguna untuk regime.
Isolation Forest
isolation_forest Deteksi anomali. Mengidentifikasi outlier tanpa pelabelan sebelumnya.
Linear
linear Regresi/klasifikasi linear. Baseline yang dapat diinterpretasi, cepat dilatih.
+ Backend kustom via skrip Python inline — definisikan treinar/inferir dan gunakan library apa pun.
Komponen DAG
Setiap node adalah transformasi. Komposiskan sesuka Anda.
Feature Engineering
Lags, transformasi (log, sqrt, return_pct), interaksi (rasio, produk, selisih).
Fitur Kalender
Jam dalam hari, hari dalam minggu, encoding sinusoidal untuk siklus.
Imputasi
Pengisian NaN (rata-rata, median, nol, ffill, bfill). Kausal, tanpa look-ahead.
Penghapusan Outlier
Clipping berdasarkan quantil empiris. Menghapus ekstrem tanpa mendistorsi distribusi.
Threshold Varians
Membuang fitur dengan varians nol. Menghilangkan kolom yang tidak menambah informasi.
Filter Korelasi
Menyimpan fitur top-k berdasarkan korelasi dengan target. Mengurangi multikolinearitas.
Validasi Silang
Temporal k-fold, walk-forward (expanding atau rolling), dengan embargo.
Tuning Hiperparameter
Grid search atau random search, dengan evaluasi metrik peringkat.
Pelabelan
Label sebagai arah (+1/0/-1), imbal hasil kontinu, atau kombinasi kategorikal.
ML bukan oracle
Pipeline mengoptimalkan pada data historis. Lebih baik dari intuisi? Mungkin. Lebih baik dari overfitting manual? Pasti. Meramal masa depan? Tidak. Pasar tidak dapat diketahui.
Apa yang ML lakukan: menemukan pola di masa lalu. Apa yang Anda lakukan: memutuskan apakah pola itu penting.