Feature Engineering: Ang Lihim na Sangkap ng ML Models

Garbage in, garbage out. Ito ang golden rule ng Data Science. Maaari kang magkaroon ng pinaka-advanced na Neural Network sa mundo, ngunit kung papakainin mo ito ng hilaw, maingay na price data, mabibigo ito. Ang Feature Engineering ay ang sining ng pagbabago ng raw data sa mga makabuluhang input.

Ano ang Feature?

Sa trading, ang "Presyo" ay raw data.

• Ang RSI (Relative Strength Index) ay isang feature na nakuha mula sa presyo.
• Ang Volatility (ATR) ay isang feature.
• Ang Oras ng Araw ay isang feature.

Ang Sining ng Transpormasyon

Ang epektibong feature engineering ay nagsasangkot ng paglikha ng mga input na nagha-highlight ng predictive patterns.

1. Normalization

Ang mga presyo ay nagbabago nang matindi (Bitcoin sa $100 vs $100,000). Nuno-normalize namin ang inputs (hal., gamit ang Log Returns o Z-scores) upang makita ng modelo ang mga relatibong pagbabago, hindi ang mga absolute na numero.

2. Lag Features

Ang kasalukuyang presyo ay nakadepende sa nakaraang presyo. Gumagawa kami ng "lagged" versions ng data (t-1, t-2, t-5) upang bigyan ang modelo ng temporal context.

3. Interaction Features

Ang pagsasama ng dalawang indicators ay madalas na nagpapakita ng higit pa sa isa lamang. Halimbawa, Volume * Price Change ay nagbibigay sa amin ng Money Flow.

Pag-iwas sa Overfitting

Ang pagdaragdag ng masyadong maraming features ay humahantong sa "Curse of Dimensionality." Nalilito ang modelo sa ingay. Gumagamit kami ng techniques tulad ng PCA (Principal Component Analysis) upang piliin lamang ang mga pinakamahalagang features.

Ang Aming Diskarte

Sa TradingMaster, ang aming Market Analysis ay umaasa sa isang curated set na higit sa 200 proprietary features, na sinubukan para sa katatagan sa iba't ibang kondisyon ng merkado.