Applicazione di addestramento modelli MagicInput

📈 Panoramica

L'app di addestramento modelli MagicInput è un motore di machine learning progettato per addestrare modelli predittivi per strategie di trading crypto. Utilizza dataset strutturati nel formato .parquet, generati dal costruttore di dataset MagicInput. Questi dataset catturano vari scenari di trading attraverso categorie (es. meme token), direzioni (Long, Short) e strategie (scalp, long_term, ecc.).

Una volta addestrato, il modello può essere integrato direttamente nel tuo bot di trading per fornire raccomandazioni strategiche in tempo reale e supporto decisionale automatizzato.

🧠 Configurazione del modello – mlconfig.yaml

Tutto il comportamento dell’addestramento è definito tramite un file di configurazione flessibile: 

# 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

📂 Input dei dataset

Il motore di addestramento analizza la cartella datasetDir alla ricerca di file .parquet, organizzati tipicamente in base a:

  • Categoria – es. meme, layer1, AI
  • Direzione – Long, Short, Both
  • Strategia – scalp, long_term, balance_midterm

Utilizzando il blocco filter, puoi limitare l’addestramento a specifici simboli o applicare una soglia minima di win rate, permettendo la creazione di modelli ottimizzati in base al tipo di asset o comportamento di mercato.

🧪 Selezione delle caratteristiche

Solo le colonne elencate sotto featureColumns sono incluse durante l’addestramento del modello. Queste rappresentano variabili importanti come leva, percentuale di rischio, SL/TP intelligenti e condizioni di segnale.

La labelColumn è l’obiettivo binario utilizzato per l’apprendimento supervisionato, come ad esempio WinRateAboveThreshold per classificare le configurazioni più performanti.

⚙️ Impostazioni di addestramento

Il comportamento dell’addestramento è definito nella configurazione:

  • Algoritmo: FastForest (classificazione binaria robusta con alberi decisionali)
  • Iterazioni massime: l’addestramento si arresta dopo N iterazioni o alla convergenza
  • Divisione train/test: rapporto di suddivisione tra dati di addestramento e test (es. 80% / 20%)
  • Stratificato: garantisce distribuzione bilanciata delle classi

📊 Valutazione del modello

Dopo l’addestramento, il modello viene valutato usando metriche standard di classificazione:

  • Accuracy – precisione delle previsioni corrette
  • AUC – area sotto la curva ROC
  • F1 Score – media armonica tra precisione e richiamo

Se exportTrainingStats è attivo, queste metriche e le curve di perdita vengono salvate in file CSV per l’analisi successiva.

📦 Output del modello

Una volta addestrato, il modello ML.NET binario viene salvato in modelOutputPath come file .zip. Questo file può essere caricato in fase di esecuzione per fornire:

  • ⚡ Raccomandazioni di trading in tempo reale
  • 📉 Filtro degli ingressi basato sul rischio
  • 🧠 Supporto decisionale per il bot

🚀 Caso d’uso: modelli IA per categoria

Puoi addestrare modelli multipli, ciascuno mirato a una categoria specifica (es. meme), direzione (es. solo Long), o tipo di strategia (es. scalp). Questi modelli possono essere caricati dinamicamente per aumentare la precisione e la personalizzazione delle strategie automatizzate.

📎 Related Topics