Maschinelles Lernen für Trading
ohne Python zu schreiben.
Visuelle deklarative Pipeline: ziehen, verbinden, konfigurieren. Feature Engineering, zeitliche Kreuzvalidierung, Hyperparameter-Tuning und Deployment — alles in derselben App, alles komponierbar.
Verida ML — visual declarative DAG, from raw data to materialized prediction
Der Pipeline-Fluss
Von Rohdaten bis zur materialisierten Vorhersage als Live-Indikator.
Modell-Backends
Eingebaut oder benutzerdefiniert. Das Framework ist algorithmus-agnostisch.
Gradient Boosting
gbdt Entscheidungsbäume im Ensemble. Robust, behandelt Nicht-Linearität. Via scikit-learn.
MLP
mlp Mehrschichtiges neuronales Netz. Via PyTorch. Flexibel für komplexe Muster.
Random Forest
random_forest Ensemble unabhängiger Bäume. Reduziert Varianz, resistent gegen Overfitting.
Centroid
centroide Klassifikator nach Centroid-Distanz. Einfach, interpretierbar, keine externen Abhängigkeiten.
KNN
knn K-Nächste-Nachbarn. Klassifikation durch Nähe im Feature-Raum.
K-Means
kmeans Unüberwachtes Clustering. Gruppiert Muster ohne Labels, nützlich für Regime.
Isolation Forest
isolation_forest Anomalieerkennung. Identifiziert Ausreißer ohne vorherige Labeling.
Linear
linear Lineare Regression/Klassifikation. Interpretierbare Baseline, schnell zu trainieren.
+ Benutzerdefinierte Backends via Inline-Python-Skript — definieren Sie treinar/inferir und verwenden Sie beliebige Bibliothek.
DAG-Komponenten
Jeder Knoten ist eine Transformation. Komponieren Sie, wie Sie wollen.
Feature Engineering
Lags, Transformationen (log, sqrt, return_pct), Interaktionen (Verhältnis, Produkt, Differenz).
Kalender-Features
Stunde des Tages, Tag der Woche, sinusoidale Kodierung für Zyklizität.
Imputation
NaN-Auffüllung (Mittelwert, Median, Null, ffill, bfill). Kausal, kein Look-Ahead.
Ausreißerentfernung
Begrenzung durch empirische Quantile. Entfernt Extreme ohne die Verteilung zu verzerren.
Varianz-Schwellwert
Verwirft Features mit null Varianz. Eliminiert Spalten, die keine Information hinzufügen.
Korrelationsfilter
Behält Top-k Features nach Korrelation mit dem Ziel. Reduziert Multikollinearität.
Kreuzvalidierung
Zeitliches k-Fold, Walk-Forward (expanding oder rolling), mit Embargo.
Hyperparameter-Tuning
Grid Search oder Random Search, mit Bewertung der Ranking-Metrik.
Labeling
Labels als Richtung (+1/0/-1), kontinuierliche Rendite, oder kategoriale Kombination.
ML ist kein Orakel
Die Pipeline optimiert auf historischen Daten. Besser als Intuition? Vielleicht. Besser als manuelles Overfitting? Ganz sicher. Sagt die Zukunft voraus? Nein. Märkte sind unerkennbar.
Was ML tut: findet Muster in der Vergangenheit. Was Sie tun: entscheiden, ob diese Muster wichtig sind.