Case 05 — Sistema di segnali ML per crypto futures
Sistema di segnali LSTM production-grade: 77.179 training sample, 79 feature, 50 selezionate. Inference con confidence threshold — non ogni segnale viene tradato, solo il top 35 %.
La sfida
Un quant trader voleva un sistema ML calibrato sulla precisione, non sulla quantità: tanti segnali, ma eseguiti solo i più confidenti. Requisiti: feature engineering pulito, training LSTM con controllo del validation gap, confidence scoring, backtest riproducibili.
Architettura
Una pipeline di feature engineering produce 79 feature candidate dai dati OHLCV; la feature selection le restringe alle 50 più forti. Un modello LSTM con 24.962 parametri classifica. Il layer di smart inference scarta i segnali sotto il confidence threshold. Le engine di backtesting e live condividono la stessa logica di inference.
Pipeline
Lifecycle di training e inference
- 01Feature engineering su 5 mercati e diversi timeframe
- 02Balanced training con monitoring del validation gap (≤ 15 %)
- 03Il pass di feature selection porta un uplift di +0,5 – 1 %
- 04Confidence threshold 0,65 → si tradano il top 35 % dei segnali
- 05Replay di backtesting prima di ogni live rollout
Stack tecnologico
Risultato
Validation accuracy 53 %, win-rate dopo confidence filter 56–58 %. Train/val gap sotto il 14 % — il modello generalizza. La pipeline di inference in produzione è deterministica: stesse feature → stessa decisione. Nessun overselling black-box, ogni segnale spiegabile via feature importance.