Aplicación de Entrenamiento de Modelos MagicInput

📈 Descripción general

La Aplicación de Entrenamiento de Modelos MagicInput es un motor de aprendizaje automático diseñado para entrenar modelos predictivos de estrategias de trading en criptomonedas. Utiliza conjuntos de datos estructurados en formato .parquet, generados por el Constructor de Datasets MagicInput. Estos datasets cubren diversos escenarios de operación según categoría (por ejemplo, tokens meme), dirección (Long, Short) y estrategia (scalp, long_term, etc.).

Una vez entrenado, el modelo puede integrarse directamente en tu bot de trading para proporcionar recomendaciones estratégicas y apoyo en la toma de decisiones en tiempo real.

🧠 Configuración del modelo – mlconfig.yaml

Todo el comportamiento del entrenamiento se controla mediante un archivo de configuración flexible: 

# 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

📂 Entrada de datos

El motor de entrenamiento escanea el directorio datasetDir en busca de archivos .parquet, normalmente organizados por:

  • Categoría – por ejemplo: meme, layer1, AI
  • Dirección – Long, Short, Both
  • Estrategia – scalp, long_term, balance_midterm

Utilizando el bloque filter, puedes limitar el entrenamiento a símbolos específicos o aplicar un umbral mínimo de tasa de éxito, permitiendo entrenar modelos más ajustados según el tipo de activo o comportamiento del mercado.

🧪 Selección de características

Solo se incluyen las columnas listadas en featureColumns durante el entrenamiento del modelo. Estas representan variables de entrada clave como apalancamiento, porcentaje de riesgo, SL/TP inteligente y condiciones de entrada.

La columna labelColumn es el resultado binario usado para aprendizaje supervisado, como WinRateAboveThreshold, que clasifica configuraciones con alto rendimiento histórico.

⚙️ Parámetros de entrenamiento

El comportamiento del entrenamiento se define en la configuración:

  • Algoritmo: FastForest (clasificación binaria robusta basada en árboles de decisión)
  • Iteraciones máximas: el entrenamiento finaliza después de N iteraciones o al alcanzar la convergencia
  • División entrenamiento/prueba: proporción entre datos de entrenamiento y evaluación (por ejemplo, 80% / 20%)
  • Estratificado: garantiza una distribución equilibrada entre clases

📊 Evaluación del modelo

Una vez entrenado, el modelo se evalúa utilizando métricas de clasificación estándar:

  • Exactitud – Predicciones correctas frente al total de muestras
  • AUC – Área bajo la curva ROC
  • Puntuación F1 – Media armónica entre precisión y sensibilidad

Si exportTrainingStats está habilitado, estas métricas y las curvas de pérdida se guardarán como archivos CSV para su análisis posterior.

📦 Salida del modelo

Tras el entrenamiento, el modelo binario de ML.NET se guarda en modelOutputPath como archivo .zip. Este archivo puede cargarse en tiempo de ejecución para proporcionar:

  • ⚡ Recomendaciones de trading en tiempo real
  • 📉 Filtro de entradas basado en riesgo
  • 🧠 Soporte a la toma de decisiones del bot

🚀 Caso de uso: Modelos IA por categoría

Puedes entrenar múltiples modelos, cada uno enfocado en una categoría específica (por ejemplo, tokens meme), dirección (por ejemplo, solo Long) o tipo de estrategia (por ejemplo, scalp). Estos modelos se pueden utilizar dinámicamente para mejorar la precisión y personalización de tus estrategias automatizadas.

📎 Related Topics