tabicl-gold-btc-finetuned
Checkpoint TabICL (Tabular Foundation Model, in-context learning) fine-tuné pour la prédiction d'action de trading (Buy / Sell / Hold), destiné à servir de 5e expert au sein d'un ensemble EARCP (Expert Aggregation with Regret Control and Performance tracking) multi-experts.
Détails du modèle
- Architecture de base: TabICL v2 (in-context learning, pas de fine-tuning par
gradient sur le backbone — voir la lib
tabicl) - Tâche: classification 3 classes (0=Buy, 1=Sell, 2=Hold)
- Symboles d'entraînement: XAUUSD.ecn, BTCUSD.ecn
- Timeframes utilisés: M1, M5, M15, M30, H1, H4, D1
- Dimension d'entrée (state_size): 49 (= 7 features de base × 7 timeframes)
- Features de base par timeframe: close, trend_strength, candle_pattern, volatility, market_regime, candlestick_pattern, chart_pattern
- 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: 2026-07-01T18:18:00Z
Données d'entraînement
- Échantillons d'entraînement: 34000
- Échantillons de validation: 6000
- Source: exports MT5 (OHLCV par granularité, par symbole)
- 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: 0.6453
| Classe | Précision | Rappel | F1-score | Support |
|---|---|---|---|---|
| Buy | 0.68 | 0.71 | 0.70 | 1948 |
| Sell | 0.68 | 0.76 | 0.72 | 2058 |
| Hold | 0.55 | 0.46 | 0.50 | 1994 |
Utilisation prévue
Ce checkpoint est conçu pour être chargé directement (sans re-fit) comme 5e expert dans un ensemble de trading multi-modèles, 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
- Entraîné sur des données synthétiques/historiques MT5 ; les performances passées ne garantissent pas les performances futures.
- 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.