MLBT — چارچوبِ بک‌تستِ یادگیریِ ماشین
چارچوبِ پژوهشیِ Python برای راهبردهای معاملاتیِ مبتنی بر ML.
مسئله‌ای که حل کرد
راهبردهای کوانتی که در یک notebook خوب به‌نظر می‌رسند، اطلاعاتِ آینده را نشت می‌دهند و overfit می‌شوند — وقتی به تولید می‌روند شکست می‌خورند. MLBT اعتبارسنجیِ متقاطعِ زمان‌آگاه و یک حلقهٔ آزمایشِ بازتولیدپذیر را الزامی می‌کند تا فقط راهبردی که از بک‌تستِ درست جان به‌در می‌برد به تولید برسد.
مسائل مشابهی که می‌تواند حل کند
هر خطِ لولهٔ MLِ نظارت‌شده روی دادهٔ سری‌زمانی (پیش‌بینیِ تقاضا، پیش‌بینیِ ریزش، تشخیصِ ناهنجاری)، زیرساختِ پژوهشِ بازتولیدپذیر برای تیم‌های کوانت، و هارنس‌های ارزیابیِ ML برای مالی.
یک چارچوبِ پژوهشیِ Python که جریانِ کارِ معاملاتیِ کوانتِ مبتنی بر ML را جدی می‌گیرد: یک خطِ لولهٔ ETLِ تایپ‌دار، توابعِ تولیدِ target، اعتبارسنجیِ متقاطعِ زمان‌آگاه، ردیابِ آزمایش، آموزش و ذخیرهٔ مدل، و یک هارنسِ بک‌تست — میزِ پژوهشی که موتورِ تولیدِ BLZN را تکمیل می‌کند.
- ETL ← تولیدِ target ← اعتبارسنجیِ متقاطعِ کوانت ← خطِ لولهٔ بک‌تست
- ردیابِ آزمایش + ذخیرهٔ مدل برای پژوهشِ بازتولیدپذیر
- میزِ پژوهشِ Python که موتورِ معاملاتیِ تولیدِ .NET را تکمیل می‌کند
مرور کلی
MLBT همتای پژوهشیِ موتورِ معاملاتیِ تولیدِ BLZN است — یک چارچوبِ Python برای طراحی، اعتبارسنجی و بک‌تستِ راهبردهای معاملاتیِ مبتنی بر ML پیش از فارغ‌التحصیل‌شدنِ آن‌ها به سامانهٔ زنده.
عمقِ مهندسی
حلقهٔ یادگیریِ ماشینِ کوانت را به ماژول‌های متعامد ساختار می‌دهد: یک مرحلهٔ ETL برای ساختِ ویژگی‌ها، یک مرحلهٔ تولیدِ target برای برچسبِ نظارت‌شده، اعتبارسنجیِ متقاطعِ کوانت که زمان را محترم می‌شمارد و از نشتیِ داده پرهیز می‌کند، مدل‌ها و save_model برای آموزش و ذخیره، یک ردیابِ آزمایش برای ثبتِ اجراها، و یک هارنسِ بک‌تست که راهبرد را روی دادهٔ out-of-sample نمره می‌دهد.
تکنولوژی
Python، مدل‌سازی به سبکِ scikit-learn، اعتبارسنجیِ متقاطعِ سری‌زمانی، و یک ردیابِ آزمایش در سطحِ پژوهش.