MagicInput Modell-Trainingsanwendung

📈 Übersicht

Die MagicInput Model Training App ist eine Machine-Learning-Engine zur Schulung prädiktiver Modelle für Krypto-Handelsstrategien. Sie nutzt strukturierte Datensätze im .parquet-Format, die vom MagicInput Dataset Builder generiert wurden. Diese Datensätze erfassen verschiedene Handelsszenarien über Kategorien (z. B. Meme-Tokens), Richtungen (Long, Short) und Strategien (scalp, long_term usw.).

Nach dem Training kann das Modell direkt in deinen Handelsbot integriert werden, um Echtzeit-Empfehlungen und Entscheidungsunterstützung bereitzustellen.

🧠 Modellkonfiguration – mlconfig.yaml

Das gesamte Trainingsverhalten wird durch eine flexible Konfigurationsdatei gesteuert: 

# mlconfig.yaml

datasetDir: ./datasets/parquite_latest
modelOutputPath: ./ai/models/trade_predictor.zip
taskType: classification
labelColumn: WinRateAboveThreshold

featureColumns:
  - Leverage
  - Strategy
  - VirtualBalance
  - RiskPercent
  - SL
  - TP
  - Breakeven_Trigger
  - Breakeven_Buffer
  - TrailingSL_Offset
  - TrailingTP_Trigger
  - LongCond_0_Change
  - LongCond_0_Interval
  - ShortCond_0_Change
  - ShortCond_0_Interval

filter:
  symbols:
    - DOGE
    - PEPE
    - WIF
    - SHIB
    - FLOKI
    - BONK
  minWinRate: 60

trainer: FastForest

training:
  maxIterations: 100
  trainTestSplit: 0.8
  stratified: true

evaluation:
  metrics:
    - Accuracy
    - AUC
    - F1Score

exportTrainingStats: true

📂 Datensatzeingabe

Die Trainings-Engine durchsucht datasetDir nach .parquet-Dateien, die typischerweise folgendermaßen organisiert sind:

  • Kategorie – z. B. meme, layer1, AI
  • Richtung – Long, Short, Both
  • Strategie – scalp, long_term, balance_midterm

Mithilfe des filter-Blocks kannst du das Training auf bestimmte Symbole beschränken oder Mindest-Gewinnraten festlegen, um Modelle je nach Asset-Typ oder Marktverhalten gezielt anzupassen.

🧪 Merkmalsauswahl

Nur Spalten, die in featureColumns aufgeführt sind, werden beim Training berücksichtigt. Diese Spalten enthalten wichtige Eingabewerte wie Leverage, Risiko-Prozentsatz, intelligente SL/TP-Werte und Handelssignale.

Die labelColumn definiert das zu prognostizierende Ziel (z. B. WinRateAboveThreshold für binäre Klassifikation).

⚙️ Trainingseinstellungen

Das folgende Trainingsverhalten ist in der Konfiguration definiert:

  • Algorithmus: FastForest (robuste binäre Klassifikation mit Entscheidungsbäumen)
  • Maximale Iterationen: Training endet nach einer definierten Anzahl oder bei Konvergenz
  • Train/Test-Split: Aufteilung der Daten auf Training und Evaluation (z. B. 80 % / 20 %)
  • Stratifiziert: Gewährleistet ein ausgewogenes Klassenverhältnis

📊 Modellevaluierung

Nach dem Training wird das Modell mit folgenden Metriken bewertet:

  • Accuracy – Genauigkeit der Vorhersagen
  • AUC – Fläche unter der ROC-Kurve
  • F1-Score – Harmonisches Mittel aus Präzision und Recall

Wenn exportTrainingStats aktiviert ist, werden die Metriken und Verlustkurven als CSV-Dateien gespeichert.

📦 Modellausgabe

Nach dem Training wird das binäre ML.NET-Modell als .zip-Datei unter modelOutputPath gespeichert. Dieses Modell kann zur Laufzeit geladen werden und bietet:

  • ⚡ Echtzeit-Handelsempfehlungen
  • 📉 Risikobasierte Einstiegskontrolle
  • 🧠 Entscheidungsunterstützung für Bots

🚀 Anwendungsfall: Kategoriespezifische KI-Modelle

Du kannst mehrere Modelle trainieren, die jeweils auf eine bestimmte Kategorie (z. B. meme-Tokens), Richtung (z. B. nur Long) oder Strategie (z. B. scalp) ausgerichtet sind. Diese Modelle können dynamisch geladen werden, um die Präzision und Personalisierung deiner automatisierten Strategien zu verbessern.

📎 Related Topics