Machine learning para trading
sin escribir Python.
Pipeline declarativo visual: arrastra, conecta, configura. Ingeniería de features, validación cruzada temporal, ajuste de hiperparámetros y despliegue — todo en la misma app, todo componible.
Verida ML — visual declarative DAG, from raw data to materialized prediction
El flujo del pipeline
De datos raw a predicción materializada como indicador vivo.
Backends de modelos
Integrados o personalizados. El framework es agnóstico al algoritmo.
Gradient Boosting
gbdt Árboles de decisión en ensemble. Robusto, maneja no linealidad. Vía scikit-learn.
MLP
mlp Red neuronal multicapa. Vía PyTorch. Flexible para patrones complejos.
Random Forest
random_forest Ensemble de árboles independientes. Reduce varianza, resistente al overfitting.
Centroid
centroide Clasificador de distancia al centroide. Simple, interpretable, sin dependencias externas.
KNN
knn K-Nearest Neighbors. Clasificación por proximidad en el espacio de features.
K-Means
kmeans Clustering no supervisado. Agrupa patrones sin etiquetas, útil para regímenes.
Isolation Forest
isolation_forest Detección de anomalías. Identifica outliers sin etiquetado previo.
Lineal
linear Regresión/clasificación lineal. Base interpretable, rápido de entrenar.
+ Backends personalizados vía script Python inline — define treinar/inferir y usa cualquier librería.
Componentes del DAG
Cada nodo es una transformación. Compón como quieras.
Ingeniería de Features
Lags, transformaciones (log, sqrt, return_pct), interacciones (ratio, producto, diferencia).
Features de Calendario
Hora del día, día de la semana, codificación sinusoidal para ciclicidad.
Imputación
Relleno de NaN (media, mediana, cero, ffill, bfill). Causal, sin look-ahead.
Remoción de Outliers
Recorte por cuantiles empíricos. Elimina extremos sin distorsionar la distribución.
Umbral de Varianza
Descarta features con varianza cero. Elimina columnas que no añaden información.
Filtro de Correlación
Mantiene top-k features por correlación con el target. Reduce multicolinealidad.
Validación Cruzada
Temporal k-fold, walk-forward (expandente o rolling), con embargo.
Ajuste de Hiperparámetros
Grid search o random search, con métrica de ranking por evaluación.
Etiquetado
Etiquetas como dirección (+1/0/-1), retorno continuo o combinación categórica.
ML no es un oráculo
El pipeline optimiza sobre datos históricos. ¿Mejor que la intuición? Quizás. ¿Mejor que el overfitting manual? Ciertamente. ¿Predice el futuro? No. Los mercados son incognoscibles.
Lo que hace ML: encuentra patrones en el pasado. Lo que haces tú: decidir si esos patrones importan.