tabicl-synthetics-finetuned
Checkpoint TabICL (Tabular Foundation Model, in-context learning) fine-tuné pour la prédiction d'action de trading (Buy / Sell / Hold) sur des indices synthétiques Deriv/Weltrade (Boom, Crash, Volatility, GainX, PainX, FlipX, FX Vol, SFX Vol), destiné à servir de 5e expert au sein d'un ensemble EARCP multi-experts. Entraînement séparé du fine-tuning Gold+BTC: les indices synthétiques ont des propriétés statistiques (processus de saut/volatilité artificielle) très différentes des actifs réels.
Détails du modèle
- Architecture de base: TabICL v2 (in-context learning — voir
tabicl) - Tâche: classification 3 classes (0=Buy, 1=Sell, 2=Hold)
- Symboles d'entraînement (28): Boom 500 Index, Boom 1000 Index, Crash 500 Index, Crash 1000 Index, FlipX 3, FlipX 4, FlipX 5, FX Vol 20, FX Vol 40, FX Vol 60, FX Vol 80, FX Vol 99, GainX 400, GainX 600, GainX 800, GainX 1200, PainX 400, PainX 600, PainX 800, PainX 1200, SFX Vol 20, SFX Vol 40, SFX Vol 60, Volatility 10 Index, Volatility 25 Index, Volatility 50 Index, Volatility 75 Index, Volatility 100 Index
- Timeframes utilisés: M1, M5, M15, M30, H1, H4, D1
- Dimension d'entrée: 58 (49 features de base × 7 timeframes + 9 one-hot famille)
- Features de base par timeframe: close, trend_strength, candle_pattern, volatility, market_regime, candlestick_pattern, chart_pattern
- Une feature one-hot 'famille d'actif' (9 catégories: boom, crash, volatility, flipx, gainx, painx, fxvol, sfxvol, other) est ajoutée pour que le modèle différencie les régimes statistiques très différents entre Boom/Crash (sauts), Volatility (volatilité constante synthétique), GainX/PainX, FlipX, FX Vol/SFX Vol.
- Labeling: triple-barrier anti-lookahead (TP=2.0×ATR, SL=1.0×ATR, horizon=60 barres du timeframe le plus fin disponible)
- Date de fine-tuning: 2026-07-01T18:22:36Z
Données d'entraînement
- Échantillons d'entraînement: 34000
- Échantillons de validation: 6000
- Source: exports MT5 (OHLCV par granularité, par symbole). Aucune source HuggingFace (indices propriétaires broker, pas de données publiques équivalentes).
- Certains timeframes n'ont volontairement pas été exportés pour tous les symboles (choix délibéré, pas une lacune) ; dans ce cas les features correspondantes sont remplies à 0, exactement comme le fallback de production du bot lorsqu'une granularité échoue à se récupérer. Cohérence train/serve garantie.
Résultats (jeu de validation)
Accuracy globale: 0.6375
| Classe | Précision | Rappel | F1-score | Support |
|---|---|---|---|---|
| Buy | 0.67 | 0.77 | 0.72 | 2264 |
| Sell | 0.66 | 0.79 | 0.72 | 2291 |
| Hold | 0.42 | 0.18 | 0.26 | 1445 |
Utilisation prévue
Ce checkpoint est conçu pour être chargé directement (sans re-fit) comme 5e expert dans un ensemble de trading multi-modèles sur indices synthétiques, où son poids de contribution est ajusté dynamiquement selon sa performance et sa cohérence avec les autres experts. Il n'est pas destiné à un usage autonome de décision de trading sans supervision humaine ni gestion du risque en amont.
Limitations
- Les indices synthétiques sont générés algorithmiquement par le broker (pas d'actif sous-jacent réel) ; leur dynamique peut changer sans préavis si le broker modifie ses paramètres de génération.
- Certaines features peuvent être nulles pour les timeframes non exportés pour un symbole donné (voir ci-dessus).
- Le coût d'inférence de TabICL est plus élevé qu'un modèle de gradient boosting classique (XGBoost) ; à évaluer selon les contraintes de latence du système cible.
- Ne constitue pas un conseil financier.