Aplicativo de Treinamento de Modelo MagicInput

📈 Visão Geral

O MagicInput Model Training App é um mecanismo de machine learning projetado para treinar modelos preditivos para estratégias de trading de criptomoedas. Ele utiliza conjuntos de dados estruturados no formato .parquet, gerados pelo Construtor de Dataset MagicInput. Esses datasets capturam diversos cenários de trade por categoria (ex: tokens meme), direção (Long, Short), e estratégia (scalp, long_term, etc.).

Uma vez treinado, o modelo pode ser integrado diretamente ao seu bot de trading para fornecer recomendações estratégicas em tempo real e insights para tomada de decisão.

🧠 Configuração do Modelo – mlconfig.yaml

Todo o comportamento do treinamento é controlado por um arquivo de configuração flexível: 

# 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 do Dataset

O mecanismo de treinamento escaneia o diretório datasetDir em busca de arquivos .parquet, normalmente organizados por:

  • Categoria – ex: meme, layer1, AI
  • Direção – Long, Short, Both
  • Estratégia – scalp, long_term, balance_midterm

Usando o bloco filter, você pode restringir o treinamento a símbolos específicos ou aplicar limites mínimos de taxa de sucesso, permitindo a criação de modelos personalizados por tipo de ativo ou comportamento de mercado.

🧪 Seleção de Features

Somente as colunas listadas em featureColumns são incluídas durante o treinamento do modelo. Elas representam variáveis importantes de entrada como alavancagem, percentual de risco, SL/TP inteligente e condições de sinal.

A coluna labelColumn define o alvo binário para o aprendizado supervisionado, como WinRateAboveThreshold para classificar configurações com desempenho histórico superior.

⚙️ Configurações de Treinamento

O comportamento do treinamento é definido na configuração:

  • Algoritmo: FastForest (classificação binária robusta com árvores de decisão)
  • Iterações Máximas: o treinamento para após N iterações ou convergência
  • Divisão Treino/Teste: proporção dos dados de treino versus avaliação (ex: 80% / 20%)
  • Estratificado: garante distribuição equilibrada entre classes

📊 Avaliação do Modelo

Após o treinamento, o modelo é avaliado com métricas de classificação padrão:

  • Acurácia – Previsões corretas em relação ao total de amostras
  • AUC – Área sob a curva ROC
  • F1 Score – Média harmônica entre precisão e recall

Se exportTrainingStats estiver ativado, as métricas e curvas de perda são exportadas em arquivos CSV para análise posterior.

📦 Saída do Modelo

Após o treinamento, o modelo ML.NET binário é salvo em modelOutputPath como um arquivo .zip. Este arquivo pode ser carregado em tempo de execução para fornecer:

  • ⚡ Recomendações de trade em tempo real
  • 📉 Filtros de entrada baseados em risco
  • 🧠 Apoio à tomada de decisão do bot

🚀 Caso de Uso: Modelos de IA por Categoria

Você pode treinar múltiplos modelos, cada um focado em uma categoria específica (ex: tokens meme), direção (ex: apenas Long) ou tipo de estratégia (ex: scalp). Esses modelos podem ser utilizados dinamicamente para melhorar a precisão e personalização das estratégias automatizadas.

📎 Related Topics