Machine Learning
—
Totali
—
✅ Attivi
—
🚫 Disattivati
—
Critici OK
—
Runtime ML
—
Sorgente
Caricamento modelli…
🔄 Hot-Reload (120s)
Caricamento...
📄 Manifest Training Attivo Sorgente auto-selezionata per timestamp
Caricamento manifest...
🏗️ Architettura ML Runtime
Signal Generator Cooperativo
• Predizione direzione da modelli globali caricati
• Ensemble XGB+LGB+CatBoost con stacking
• Stato e copertura mostrati nelle card sopra
Modelli Specializzati
• Regime Classifier, Trade Outcome, Position Guardian
• SL/TP Predictor: LightGBM dual-regression da MAE/MFE
• Ogni modulo ha metriche e staleness dedicate
• Caricamento verificabile da griglia modelli
Distribuzione Modelli
• Check mtime ogni 120s
• Aggiornamento modelli senza restart applicativo
• Pipeline training con import automatico locale
📡 Drift Detection — Real-time
Caricamento...
📊 Model Health — Metriche Training
Caricamento...
⏰ Età Modelli — Staleness
Caricamento...
🔔 Alert Recenti
Caricamento...
⚙️ Meccanismi di Protezione — Soglie e Configurazione
Caricamento...
🛡️ Come Leggere Lo Stato ML
1. Drift Detection
• Mostra la qualità recente dei segnali
• Evidenzia degrado rispetto al comportamento atteso
• Le azioni correttive dipendono dalla configurazione attiva
2. Health Modelli
• Età file, metriche holdout e quality gate
• Verifica copertura modelli critici
• Alert centralizzati per anomalie operative
3. Retraining Pipeline
• Esecuzione da tab Training (RunPod/Kaggle)
• Import locale e refresh automatico modelli
• Log live disponibili durante tutta la pipeline
Nota:
Le soglie operative e i comportamenti automatici sono definiti lato backend e possono cambiare con configurazione e release.
Questa sezione descrive la lettura funzionale della dashboard, non un elenco statico di parametri.
🚀 RunPod Training
Caricamento...
📦 Kaggle Training
Caricamento...
📋 RunPod Pipeline — Live Log
Aggiornamento automatico: 10s
Caricamento log...
📋 Kaggle Pipeline — Live Log
Aggiornamento automatico: 10s
Caricamento log...
☁️ Pipeline Training Distribuito
1. Export & Upload
• Download funding rates freschi da exchange
• Bundle dataset (candle 1h + funding + 15min)
• Validazione qualità dati
• Upload su pod via SSH/SFTP
2. Training su GPU
• Esecuzione su infrastruttura GPU compatibile
• Training modelli tree, sequenziali e SL/TP predictor
• SL/TP: regressor LightGBM su MAE/MFE (R² gate ≥ 0.05)
• Validazione automatica prima del rilascio locale
3. Import & Reload
• Download modelli .pkl + .onnx via SFTP
• Terminazione pod automatica
• Import in models/
• Hot-reload entro 2 min