Case 05 — ML signal sistem za crypto futures
Produkciono spreman LSTM signal sistem: 77.179 training sample-a, 79 feature-a, 50 selektovano. Confidence-threshold inference — ne trguje se svaki signal, samo gornjih 35 %.
Izazov
Quant trader je tražio ML sistem kalibrisan na preciznost a ne kvantitet: mnogo signala, ali izvršavaju se samo najsigurniji. Zahtevi: čisto feature engineering, LSTM trening sa kontrolom validation gap-a, confidence scoring, proverljiv backtesting.
Arhitektura
Feature engineering pipeline pravi 79 kandidat-feature-a iz OHLCV podataka, feature selection ih redukuje na 50 najjačih. LSTM sa 24.962 parametra klasifikuje. Smart inference layer filtrira signale ispod confidence threshold-a. Backtesting i live engine dele istu inference logiku.
Pipeline
Ciklus treninga i inference-a
- 01Feature engineering iz 5 tržišta i više timeframe-ova
- 02Balanced trening sa monitoring-om validation gap-a (≤ 15 %)
- 03Feature selection pass donosi +0,5 – 1 % uplift
- 04Confidence threshold 0,65 → trguju se top 35 % signala
- 05Backtesting replay pre svakog live rollout-a
Tehnološki stack
Rezultat
Validation accuracy 53 %, win-rate nakon confidence filtera 56–58 %. Train/val gap ispod 14 % — model generalizuje. Produkcioni inference pipeline daje signale deterministički: isti feature-i → ista odluka. Bez black-box overselling-a, svaki signal je objašnjiv preko feature importance.