Feature Engineering: Den hemmelige ingrediens i ML-modeller

Garbage in, garbage out. Dette er den gyldne regel inden for Data Science. Du kan have det mest avancerede neurale netværk i verden, men hvis du fodrer det med rå, støjende prisdata, vil det fejle. Feature Engineering er kunsten at transformere rådata til meningsfulde input.

Hvad er en Feature?

I handel er "Pris" rådata.

• RSI (Relative Strength Index) er en feature afledt af pris.
• Volatilitet (ATR) er en feature.
• Tid på dagen er en feature.

Kunsten at transformere

Effektiv feature engineering involverer at skabe inputs, der fremhæver forudsigelige mønstre.

1. Normalisering

Priser varierer vildt (Bitcoin til 100 $ vs 100.000 $). Vi normaliserer inputs (f.eks. ved brug af Log Returns eller Z-scores), så modellen ser relative ændringer, ikke absolutte tal.

2. Lag Features

Nuværende pris afhænger af tidligere pris. Vi skaber "forsinkede" versioner af data (t-1, t-2, t-5) for at give modellen temporær kontekst.

3. Interaktionsfeatures

At kombinere to indikatorer afslører ofte mere end én alene. For eksempel giver Volumen * Prisændring os Pengeflow.

Undgåelse af overfitting

Tilføjelse af for mange features fører til "Dimensionalitetens Forbandelse". Modellen bliver forvirret af støj. Vi bruger teknikker som PCA (Principal Component Analysis) til kun at vælge de mest virkningsfulde features.

Vores tilgang

Hos TradingMaster er vores Markedsanalyse afhængig af et kurateret sæt af over 200 proprietære features.