Case 05 — ML signal sistem za crypto futures
Production-grade LSTM signal sistem: 77.179 training samplov, 79 featurov, 50 izbranih. Confidence-threshold inference — ne trguje se vsak signal, le zgornjih 35 %.
Izziv
Quant trader je iskal ML sistem, kalibriran na natančnost, ne na količino: veliko signalov, izvršeni le najbolj zanesljivi. Zahteve: čisto feature engineering, LSTM trening s kontrolo validation gapa, confidence scoring, reproduktiven backtesting.
Arhitektura
Feature-engineering pipeline iz OHLCV podatkov proizvede 79 kandidatnih featurov; feature selection jih zoži na 50 najmočnejših. LSTM model s 24.962 parametri klasificira. Smart-inference layer odvrže signale pod confidence thresholdom. Backtesting in live engine si delita isto inference logiko.
Pipeline
Lifecycle treninga in inferenca
- 01Feature engineering iz 5 trgov in več timeframov
- 02Balanced training z monitoringom validation gapa (≤ 15 %)
- 03Feature-selection pass prinese +0,5 – 1 % uplifta
- 04Confidence threshold 0,65 → trguje se zgornjih 35 % signalov
- 05Backtesting replay pred vsakim live rolloutom
Tehnološki stack
Rezultat
Validation accuracy 53 %, win-rate po confidence filtru 56–58 %. Train/val gap pod 14 % — model generalizira. Produkcijski inference pipeline je determinističen: enaki featurji → enaka odločitev. Brez black-box oversellinga, vsak signal je razložljiv preko feature importancov.