# signal-classification

Скилл строит ML-классификаторы торговых сигналов на XGBoost и LightGBM: метки, walk-forward валидация, SHAP и подбор порога.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 516 установок · ★ 443
- Автор: agiprolabs
- Лицензия: MIT · policy=mirror · начало файла — в конце страницы
- Исходник: https://github.com/agiprolabs/claude-trading-skills/tree/HEAD/skills/signal-classification/SKILL.md
- Обновлён: 2026-09-03
- HTML: https://affpapa.org/nevibecode/skills/signal-classification

## Что делает

Скилл закрывает весь путь от разметки до оценки: считает форвардную доходность, ставит метки up/down и выбрасывает нейтральную зону, обучает XGBoost или LightGBM на каждом окне и собирает прогнозы вне выборки. Walk-forward здесь главное — обычная кросс-валидация перемешивает данные и подсовывает модели будущее, поэтому окна идут по времени с зазором-эмбарго, равным горизонту прогноза.

Внутри есть готовые функции: `create_binary_labels` для меток, `walk_forward_splits` для окон, пример обучения `XGBClassifier` и калибровка вероятностей через `CalibratedClassifierCV` с изотоническим методом. Для разбора предсказаний подключён SHAP — `shap.TreeExplainer` даёт и глобальную важность признаков, и объяснение отдельного прогноза. Справочники лежат в `references/validation_methods.md` и `references/model_guide.md`.

Сырые вероятности бустинга откалиброваны плохо: 0.7 на выходе не значит 70% попаданий, так что без калибровки порог подбирать рано. Мультиклассовая схема режет выборку на классы, и авторы советуют брать её только при 1000+ примерах на класс — иначе модель просто нечему учиться. Нужны `xgboost` или `lightgbm`, `scikit-learn` и `shap` в окружении.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add agiprolabs/claude-trading-skills --skill signal-classification -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/signal-classification/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/signal-classification/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add agiprolabs/claude-trading-skills --skill signal-classification -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/signal-classification/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add agiprolabs/claude-trading-skills --skill signal-classification -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/signal-classification/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install agiprolabs/claude-trading-skills signal-classification
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/signal-classification/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add agiprolabs/claude-trading-skills --skill signal-classification -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/agiprolabs/claude-trading-skills --path skills/signal-classification
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/signal-classification/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add agiprolabs/claude-trading-skills --skill signal-classification -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/agiprolabs/claude-trading-skills/tree/HEAD/skills/signal-classification/SKILL.md

## Когда брать
- разметить форвардную доходность на up/down и выкинуть нейтральную зону
- разбить историю на walk-forward окна с зазором против утечки меток
- обучить XGBoost или LightGBM на табличных признаках без нормализации
- откалибровать вероятности модели перед подбором порога
- объяснить через SHAP, какие признаки тянут конкретный прогноз

## Примеры запросов агенту
- собери метки по форвардной доходности с горизонтом 24 бара и порогом 1%
- прогони walk-forward валидацию с окном обучения 720 баров и зазором 24
- построй SHAP summary plot по топ-15 признакам для обученной модели

## Похожие
- [xgboost-lightgbm](https://affpapa.org/nevibecode/skills/xgboost-lightgbm.md) — скилл · 474 установки
- [shap](https://affpapa.org/nevibecode/skills/shap.md) — скилл · 2000 установок
- [trader-signal](https://affpapa.org/nevibecode/skills/trader-signal.md) — скилл · 744 установки
- [data-scientist](https://affpapa.org/nevibecode/agents/voltagent-community-data-scientist.md) — субагент · 3342 установки
- [signal-postmortem](https://affpapa.org/nevibecode/skills/signal-postmortem.md) — скилл · 3300 установок
- [edge-signal-aggregator](https://affpapa.org/nevibecode/skills/edge-signal-aggregator.md) — скилл · 3200 установок

Из того же набора: [agiprolabs/claude-trading-skills](https://affpapa.org/nevibecode/by/agiprolabs/claude-trading-skills.md) — 55 карточек

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md