Машинное обучение для трейдинга
без написания Python.
Визуальный декларативный pipeline: drag, connect, configure. Feature engineering, временная кросс-валидация, настройка гиперпараметров и развёртывание — всё в одном приложении, всё композируемо.
Verida ML — visual declarative DAG, from raw data to materialized prediction
Поток pipeline
От сырых данных до материализованной предсказки как живого индикатора.
Бэкенды моделей
Встроенные или custom. Фреймворк алгоритм-агностичен.
Gradient Boosting
gbdt Деревья решений в ансамбле. Робастные, работают с нелинейностью. Через scikit-learn.
MLP
mlp Многослойная нейросеть. Через PyTorch. Гибкая для сложных паттернов.
Random Forest
random_forest Ансамбль независимых деревьев. Снижает дисперсию, устойчив к overfitting.
Centroid
centroide Классификатор по расстоянию до центроида. Простой, интерпретируемый, без внешних зависимостей.
KNN
knn K-Nearest Neighbors. Классификация по близости в пространстве признаков.
K-Means
kmeans Обучение без учителя. Группирует паттерны без меток, полезно для режимов.
Isolation Forest
isolation_forest Детекция аномалий. Идентифицирует выбросы без предварительной разметки.
Linear
linear Линейная регрессия/классификация. Интерпретируемый baseline, быстрое обучение.
+ Custom бэкенды через inline Python-скрипт — определите treinar/inferir и используйте любую библиотеку.
Компоненты DAG
Каждый узел — трансформация. Композируйте как хотите.
Feature Engineering
Лаги, трансформации (log, sqrt, return_pct), взаимодействия (ratio, product, difference).
Календарные признаки
Час дня, день недели, синусоидальное кодирование для цикличности.
Импутация
Заполнение NaN (mean, median, zero, ffill, bfill). Причинно, без заглядывания вперёд.
Удаление выбросов
Клиппинг по эмпирическим квантилям. Убирает экстремумы без искажения распределения.
Variance Threshold
Отбрасывает признаки с нулевой дисперсией. Устраняет колонки, не добавляющие информации.
Фильтр корреляции
Оставляет top-k признаков по корреляции с target. Снижает мультиколлинеарность.
Кросс-валидация
Временной k-fold, walk-forward (expanding или rolling), с embargo.
Настройка гиперпараметров
Grid search или random search с оценкой метрики ранжирования.
Лабелинг
Метки как направление (+1/0/-1), непрерывный return или категориальная комбинация.
ML — не оракул
Pipeline оптимизируется на исторических данных. Лучше интуиции? Возможно. Лучше ручного overfitting? Наверняка. Прогнозирует будущее? Нет. Рынки непознаваемы.
Что делает ML: находит паттерны в прошлом. Что делаете вы: решаете, важны ли эти паттерны.