Машинное обучение
Декларативный DAG компонентов ML — признаки, цели, предобработка, валидация, модели — обученные, валидированные и материализованные как живой индикатор.
Премиум-модуль
Пайплайн ML — это декларативный DAG компонентов. Обучает, валидирует и материализует предсказание как производную серию — модель становится живым индикатором, БЕЗ переобучения при serving.
Бэкенды
Компоненты пайплайна
feature_set выбирает столбцы. gerar_lags создаёт временные лаги. features_calendario добавляет час/день (sin/cos). interagir_colunas комбинирует признаки (отношение, произведение, разность).
target_direcao классифицирует +1/0/-1 с мёртвой зоной. target_retorno непрерывная регрессия. target_conjunto категориальный multi-label. target_custom маркировка через Python-скрипт.
imputar (ffill, bfill, mean, median, constant). Скейлеры: zscore, minmax, robust, maxabs. winsorize обрезает выбросы по квантилю. reduzir_pca снижает размерность. selecionar_correlacao / selecionar_variancia фильтруют признаки.
holdout простой временной сплит. purged_kfold K-fold с эмбарго (предотвращает утечку). walk_forward расширяющийся или скользящий. custom разбиение через Python-скрипт.
modelo обучает с бэкендом. modelo_custom обучает через Python-скрипт. otimizar_hiperparametros grid или random search через cross-validation.
prever материализует предсказание в ct://derived/name_pred. aplicar_modelo применяет обученную модель к серии без переобучения — модель как живой индикатор. avaliar вычисляет кастомные метрики через Python-скрипт.
Экономическая оценка
Пайплайн может опционально запустить teste de sobrevivência по материализованному предсказанию. По умолчанию: long при положительном предсказании, short при отрицательном. Может быть предоставлена кастомная Rhai-стратегия.