Case 05 — ML signal sustav za crypto futures
Production-grade LSTM signal sustav: 77.179 training sampleova, 79 featurea, 50 odabrano. Confidence-threshold inference — ne trguje se svaki signal, samo gornjih 35 %.
Izazov
Quant trader je tražio ML sustav kalibriran na preciznost, a ne kvantitetu: mnogo signala, ali izvršavaju se samo najsigurniji. Zahtjevi: čisto feature engineering, LSTM trening s kontrolom validation gapa, confidence scoring, reproducibilan backtesting.
Arhitektura
Feature-engineering pipeline proizvodi 79 kandidatnih featurea iz OHLCV podataka; feature selection ih sužava na 50 najjačih. LSTM model s 24.962 parametra klasificira. Smart-inference layer odbacuje signale ispod confidence thresholda. Backtesting i live engine dijele istu inference logiku.
Pipeline
Lifecycle treninga i inferencea
- 01Feature engineering iz 5 tržišta i više timeframea
- 02Balanced training s monitoringom validation gapa (≤ 15 %)
- 03Feature-selection pass donosi +0,5 – 1 % uplifta
- 04Confidence threshold 0,65 → trguje se gornjih 35 % signala
- 05Backtesting replay prije svakog live rollouta
Tehnološki stack
Rezultat
Validation accuracy 53 %, win-rate nakon confidence filtera 56–58 %. Train/val gap ispod 14 % — model generalizira. Produkcijski inference pipeline je determinističko: isti featurei → ista odluka. Bez black-box oversellinga, svaki signal je objašnjiv preko feature importanceova.