MagicInput モデル学習アプリ

📈 概要

MagicInput モデル学習アプリは、暗号通貨トレーディング戦略向けの予測モデルを学習するための 機械学習エンジンです。MagicInput Dataset Builder によって生成された .parquet 形式の構造化データセットを活用します。 これらのデータセットは、カテゴリ（例：ミームトークン）、方向（Long, Short）、 戦略（scalp, long_term など）にわたる様々な取引シナリオを網羅しています。

学習が完了したモデルは、リアルタイムの戦略推奨や意思決定支援のために、 トレーディングボットに直接統合することができます。

🧠 モデル設定 – mlconfig.yaml

学習の動作は、柔軟な構成ファイルによって完全に制御されます： 

# 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

📂 データセット入力

学習エンジンは、datasetDir 内の .parquet ファイルをスキャンし、 通常は以下のように整理されています：

  • カテゴリ – 例：meme, layer1, AI
  • 方向 – Long, Short, Both
  • 戦略 – scalp, long_term, balance_midterm

filter ブロックを使用することで、特定のシンボルに絞って学習したり、 勝率の最小値を設定して資産タイプや市場行動ごとに微調整されたモデルを作成できます。

🧪 特徴量の選択

学習中に使用されるのは、featureColumns に指定されたカラムのみです。 これらは、レバレッジ、リスク比率、スマートSL/TP、取引シグナル条件などの 重要な入力変数を表します。

labelColumn は教師あり学習で予測される目的変数で、 例えば WinRateAboveThreshold を使用して高パフォーマンスのセットアップを分類します。

⚙️ 学習設定

以下の学習設定が構成ファイルで定義されています：

  • アルゴリズム：FastForest（決定木ベースの堅牢なバイナリ分類）
  • 最大イテレーション：指定回数または収束で学習を終了
  • 学習/テストの分割：データセットを 80％/20％ で分割
  • 層化：クラス分布を均等に保つ

📊 モデル評価

学習後、モデルは次の分類評価指標で評価されます：

  • Accuracy（正解率） – 正しい予測の割合
  • AUC – ROC曲線の下の面積
  • F1スコア – 適合率と再現率の調和平均

exportTrainingStats が有効な場合、評価メトリクスや損失曲線は CSV ファイルとして保存され、 後で分析できます。

📦 モデル出力

学習後、ML.NET バイナリモデルは modelOutputPath に .zip ファイル形式で保存されます。 このファイルは実行時に読み込まれ、以下のような機能を提供します：

  • ⚡ リアルタイムの取引推奨
  • 📉 リスクに応じたエントリーフィルタリング
  • 🧠 ボットの意思決定支援

🚀 ユースケース：カテゴリ別AIモデル

meme トークンなど特定のカテゴリ、Long のみの戦略や scalp などのタイプに 特化した複数のモデルを学習できます。 これらのモデルは動的に提供され、自動戦略の精度とパーソナライズを向上させます。

📎 Related Topics