تعلّم الآلة للتداول
دون كتابة Python.
خط معالجة إعلاني مرئي: اسحب، صِل، اضبط. هندسة الميزات، التحقق المتقاطع الزمني، ضبط المعاملات الفائقة والنشر — كل ذلك في نفس التطبيق، كلها قابلة للتركيب.
Verida ML — visual declarative DAG, from raw data to materialized prediction
تدفق خط المعالجة
من البيانات الخام إلى التنبؤ المُتجسد كمؤشر حي.
خلفيات النماذج
مدمجة أو مخصصة. الإطار محايد خوارزمياً.
تعزيز التدرج
gbdt أشجار قرار في ensemble. قوي، يتعامل مع اللاخطية. عبر scikit-learn.
MLP
mlp شبكة عصبية متعددة الطبقات. عبر PyTorch. مرنة للأنماط المعقدة.
الغابة العشوائية
random_forest Ensemble من أشجار مستقلة. يقلل التباين، مقاوم لفرط التخصيص.
Centroid
centroide مُصنّف مسافة المركز. بسيط، قابل للتفسير، بدون تبعيات خارجية.
KNN
knn الجيران الأقرب. تصنيف بالقرب في فضاء الميزات.
K-Means
kmeans تجميع غير مُوجّه. يُجمّع الأنماط بدون تسميات، مفيد للأنظمة.
Isolation Forest
isolation_forest كشف الشذوذ. يُحدّد القيم المتطرفة بدون تسمية مسبقة.
خطي
linear انحدار/تصنيف خطي. أساس قابل للتفسير، سريع التدريب.
+ خلفيات مخصصة عبر نص Python مُضمّن — عرّف treinar/inferir واستخدم أي مكتبة.
مكونات DAG
كل عقدة هي تحويل. ركّب كما تشاء.
هندسة الميزات
إبطاء، تحويلات (log، sqrt، return_pct)، تفاعلات (نسبة، حاصل، فرق).
ميزات التقويم
ساعة اليوم، يوم الأسبوع، ترميز جيبي للدورية.
التعويض
ملء NaN (المتوسط، الوسيط، صفر، ffill، bfill). سببي، بدون نظرة مستقبلية.
إزالة القيم الشاذة
قص بالكميلات التجريبية. يزيل المتطرفات دون تشويه التوزيع.
عتبة التباين
تتجاهل الميزات بتباين صفري. تُزيل الأعمدة التي لا تضيف معلومات.
فلتر الارتباط
يُبقي أفضل k ميزات حسب الارتباط مع الهدف. يقلل التعددية الخطية.
التحقق المتقاطع
k-fold زمني، walk-forward (توسّعي أو متداول)، مع embargo.
ضبط المعاملات الفائقة
بحث شبكي أو بحث عشوائي، مع تقييم مقياس الترتيب.
التصنيف
تسميات كاتجاه (+1/0/-1)، عائد مستمر، أو تركيبة فئوية.
تعلّم الآلة ليس عرّافاً
يُحسّن خط المعالجة على البيانات التاريخية. أفضل من الحدس؟ ربما. أفضل من فرط التخصيص اليدوي؟ بالتأكيد. يتنبأ بالمستقبل؟ لا. الأسواق لا يمكن معرفتها.
ما يفعله تعلّم الآلة: يُجد الأنماط في الماضي. ما تفعله أنت: تقرر ما إذا كانت تلك الأنماط مهمة.