Machine learning per il trading
senza scrivere Python.
Pipeline dichiarativa visuale: trascina, connetti, configura. Feature engineering, validazione incrociata temporale, ottimizzazione degli iperparametri e deployment — tutto nella stessa app, tutto componibile.
Verida ML — visual declarative DAG, from raw data to materialized prediction
Il flusso della pipeline
Dai dati raw alla predizione materializzata come indicatore live.
Backend dei modelli
Integrati o personalizzati. Il framework è algoritmico-agnostico.
Gradient Boosting
gbdt Alberi decisionali in ensemble. Robusto, gestisce la non-linearità. Via scikit-learn.
MLP
mlp Rete neurale multistrato. Via PyTorch. Flessibile per pattern complessi.
Random Forest
random_forest Ensemble di alberi indipendenti. Riduce la varianza, resistente all'overfitting.
Centroid
centroide Classificatore a distanza dal centroide. Semplice, interpretabile, nessuna dipendenza esterna.
KNN
knn K-Nearest Neighbors. Classificazione per prossimità nello spazio delle feature.
K-Means
kmeans Clustering non supervisionato. Raggruppa pattern senza etichette, utile per i regimi.
Isolation Forest
isolation_forest Rilevamento di anomalie. Identifica outlier senza etichettatura preventiva.
Lineare
linear Regressione/classificazione lineare. Baseline interpretabile, veloce da addestrare.
+ Backend personalizzati tramite script Python inline — definisci treinar/inferir e usa qualsiasi libreria.
Componenti del DAG
Ogni nodo è una trasformazione. Componi come vuoi.
Feature Engineering
Lag, trasformazioni (log, sqrt, return_pct), interazioni (rapporto, prodotto, differenza).
Feature di calendario
Ora del giorno, giorno della settimana, codifica sinusoidale per ciclicità.
Imputazione
Riempimento NaN (media, mediana, zero, ffill, bfill). Causale, senza look-ahead.
Rimozione outlier
Clipping per quantili empirici. Rimuove gli estremi senza distorcere la distribuzione.
Soglia di varianza
Scarta le feature a varianza zero. Elimina colonne che non aggiungono informazione.
Filtro di correlazione
Mantiene le top-k feature per correlazione con il target. Riduce la multicollinearità.
Validazione incrociata
K-fold temporale, walk-forward (expanding o rolling), con embargo.
Ottimizzazione iperparametri
Grid search o random search, con valutazione metrica di ranking.
Etichettatura
Etichette come direzione (+1/0/-1), rendimento continuo, o combinazione categorica.
ML non è un oracolo
La pipeline ottimizza sui dati storici. Meglio dell'intuizione? Forse. Meglio dell'overfitting manuale? Certamente. Prevede il futuro? No. I mercati sono inconoscibili.
Cosa fa ML: trova pattern nel passato. Cosa fai tu: decidere se quei pattern contano.