Приложение для обучения моделей MagicInput

📈 Обзор

Приложение MagicInput Model Training — это движок машинного обучения, созданный для обучения предсказательных моделей торговых стратегий в криптовалютах. Оно использует структурированные датасеты в формате .parquet, сгенерированные с помощью MagicInput Dataset Builder. Эти наборы данных охватывают различные сценарии сделок по категориям (например, мем-токены), направлениям (Long, Short) и стратегиям (scalp, long_term и т. д.).

После обучения модель можно напрямую интегрировать в торгового бота для предоставления рекомендаций по стратегии и поддержки принятия решений в режиме реального времени.

🧠 Конфигурация модели – mlconfig.yaml

Все поведение обучения настраивается через гибкий конфигурационный файл:

# 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

📂 Входные данные

Механизм обучения сканирует datasetDir на наличие файлов .parquet, как правило, организованных по:

• Категориям — например: meme, layer1, AI
• Направлениям — Long, Short, Both
• Стратегиям — scalp, long_term, balance_midterm

Используя блок filter, можно ограничить обучение конкретными символами или задать минимальный уровень выигрыша, позволяя создать точные модели под конкретные активы или рыночные условия.

🧪 Выбор признаков

Во время обучения используются только те столбцы, которые перечислены в featureColumns. Они представляют собой важные переменные, такие как кредитное плечо, риск в процентах, умный SL/TP и условия торгового сигнала.

labelColumn — это бинарный целевой столбец для обучения с учителем, например: WinRateAboveThreshold для классификации наборов с высокой исторической результативностью.

⚙️ Настройки обучения

Конфигурация включает следующие параметры обучения:

• Алгоритм: FastForest (надежная бинарная классификация на основе деревьев решений)
• Максимальное количество итераций: обучение завершается после N итераций или при достижении сходимости
• Разделение на обучение/тест: соотношение обучающей и тестовой выборки (например, 80% / 20%)
• Стратифицированная выборка: обеспечивает сбалансированное распределение классов

📊 Оценка модели

После обучения модель оценивается с помощью стандартных метрик классификации:

• Accuracy (Точность) — доля правильных предсказаний
• AUC — площадь под ROC-кривой
• F1 Score — гармоническое среднее между точностью и полнотой

Если включено exportTrainingStats, метрики и графики потерь сохраняются в формате CSV для последующего анализа.

📦 Вывод модели

После обучения бинарная модель ML.NET сохраняется в modelOutputPath в виде файла .zip. Этот файл может быть загружен во время выполнения и обеспечивает:

• ⚡ Рекомендации по сделкам в реальном времени
• 📉 Фильтрацию входов с учетом рисков
• 🧠 Поддержку принятия решений для бота

🚀 Сценарий использования: модели ИИ по категориям

Вы можете обучить несколько моделей, каждая из которых будет нацелена на определённую категорию (например, meme токены), направление (например, только Long) или тип стратегии (например, scalp). Эти модели могут использоваться динамически для повышения точности и персонализации ваших автоматизированных стратегий.