🧠 Inference Server

3-Server ML-Architektur für Trading-Signale

- Compute Status

- Modelle geladen

- Aktive Signale

- Bots Server

🧠 Aktive Modelle:

Lade...

🖥️ Compute Server (85.214.183.93) ⏳ Prüfe...

Funktion: ML-Modelle + Redis Signal-Broker

WireGuard IP: 10.0.0.2

Redis: Port 6379

📊 Aktuelle Signale

Lade Signale...

📈 Buy: - 📉 Sell: - ⏸️ Hold: -

🤖 Bots Server (85.214.183.102) ⏳ Prüfe...

Funktion: Freqtrade Bots mit RedisInferenceStrategy

WireGuard IP: 10.0.0.3

Basis-Pfad: /opt/mkits

🤖 Aktive Bots

Lade Bots...

📊 Live RAM-Status

Echtzeit-Speicherverbrauch des Inference Containers

RAM Verwendet

RAM Limit

--%

RAM Auslastung

--%

CPU Auslastung

0% Letzte Aktualisierung: -- 100%

Auto-Refresh (5s)

🔗 Model-Bot Zuweisung

Weise jedem Bot Modelle zu und konfiguriere die Signal-Hierarchie (ML, Sentiment, Indikatoren)

Lade Bot-Zuweisungen...

➕ Neue Zuweisung erstellen

Bot auswählen

Server

ML-Modelle auswählen

Signal-Quellen aktivieren

🤖 ML-Modelle 💬 Sentiment 📈 Indikatoren

Signal-Hierarchie (Priorität durch Drag & Drop)

☰ 1 🤖 ML-Modelle Höchste Priorität

☰ 2 💬 Sentiment

☰ 3 📈 Indikatoren Niedrigste Priorität

Signal-Modus

📊 Mehrheit: Ein Trade wird ausgeführt, wenn die Mehrzahl der Signal-Quellen (ML, Sentiment, Indikatoren) übereinstimmt. Sicherster Modus.

Primäres Modell (optional)

🎯 Wähle ein Modell, dessen Signal bei Gleichstand bevorzugt wird. "Automatisch" nutzt das Modell mit höchster Priorität.

⚡ Modellübersicht

Verwalte alle ML-Modelle — aktiviere für Inference, konfiguriere Timeframes, archiviere nicht benötigte

Lade Modelle...

Geschätzter RAM: 0 MB / ~13 GB verfügbar

Aktiv: 0 | Inaktiv: 0

💾 Aktuell geladene Modelle (im RAM)

Modelle die gerade aktiv Signale produzieren

Lade Status...

⚡ Inference Fast (5m, 15m)

- Zeitpunkt

- Signale gesamt

- Fehler

- Pairs

- Data Fetch

- Inference

- Gesamt

- Nächster Zyklus

⚠️ Fetch-Fehler

🤖 Modell-Ergebnisse

Status	Modell	Typ	TFs	Signale	Buy	Sell	Hold	Fehler	Dauer
Lade Modell-Status...

🐢 Inference Slow (1h, 4h, 1d, 1w)

- Zeitpunkt

- Signale gesamt

- Fehler

- Pairs

- Data Fetch

- Inference

- Gesamt

- Nächster Zyklus

⚠️ Fetch-Fehler

🤖 Modell-Ergebnisse

Status	Modell	Typ	TFs	Signale	Buy	Sell	Hold	Fehler	Dauer
Lade Modell-Status...

🔧 Trainierte Modelle

Hauptansicht zeigt standardmäßig nur den neuesten Nightly-Run pro Modell.

Komplette Run-Historie anzeigen

ID	Modell	Trainiert am	TF	Pairs	Signale	Buy	Sell	Hold	Fehler	Dauer	Aktiv
Lade trainierte Modelle...

🎯 Signal-Qualität Dashboard

Live-Auswertung: Buy ✅ wenn Preis stieg, Sell ✅ wenn Preis fiel. Hold wird ignoriert. ❓ Glossar

Hauptansicht: Bei trainierten Modellen wird nur der jeweils neueste Nightly-Run angezeigt.

—

Gesamt-Accuracy

—

Buy-Accuracy

—

Sell-Accuracy

—

Auswertungen ❓

—

Sentiment-Accuracy ❓

—

Bestes Modell

🗺️ Accuracy Heatmap (Modelle × Timeframes)

Jede Zelle zeigt die Live-Accuracy %. Farbe: 🔴 (<45%) → 🟡 (45-55%) → 🟢 (>55%). Trainierte Modelle zeigen nur den neuesten Nightly-Run; die komplette Historie steht im Verlauf darunter.

Training-Metriken

🏆 Modell-Ranking

📊 Win/Loss pro Modell

📈 Trainings-Verlauf (alle Runs)

Zeitreihe je trainierbarem Modell über alle Trainings und Pairs. Optionaler Modellvergleich unten.

Trainiert am	Modell	Run	Pairs	TFs	Evals	Accuracy	Δ zu Vorlauf	RMSE	MAE
Lade Verlauf...

🧪 Modellvergleich im Zeitverlauf — je Timeframe

Zeigt Accuracy pro Modell × Timeframe aus den geladenen Runs.

Modell	TF	Runs	Ø Accuracy	Letzter Run	Trend	Zeitreihe (Accuracy)
Noch kein Vergleich geladen.

📜 Letzte Auswertungen

Jede Zeile = eine ausgewertete Prediction. ✅ = korrekte Richtung, ❌ = falsch. Sortiere per Klick auf Spaltenköpfe. Filter über die Dropdowns.

✅/❌	Modell	Pair	TF	Signal	Pred. Preis	Aktuell	Δ%	Zeit ↓
Lade...

📋 Pair-Details — Accuracy pro Modell / TF / Pair

Zeigt die ausgewerteten Vorhersagen aufgeteilt nach Trading-Pair und Timeframe.

Modell / Run

Timeframe

Zeitraum

Pair filtern

Pair ↕	TF ↕	Evals ↕	Accuracy ↕	Buy Acc ↕	Sell Acc ↕	Buy n ↕	Sell n ↕
⏳ Wird geladen…

🏋️ Training Worker

Status des dedizierten Training-Containers (mkits-training)

Prüfe...

📋 Training Log

                    Keine Logs vorhanden
                

🧠 Trainierte Modelle

Lade...

🧬 Meta-Model Status

Status

—

Letztes Training

—

Samples

—

Val Accuracy

—

Features

—

Modell-Größe

—

📡 Meta-Signale (Live)

Buy: 0 Sell: 0 Hold: 0

Pair	TF	Signal	Confidence	Stärke	Modell-Votes
Lade...

📊 Modell-Ranking (Rolling Accuracy)

Nur aktive Runs

Modell	Typ	Pair	TF	Accuracy	Gesamt	Korrekt
Lade...

🔄 Rotations-Log

                        Keine Einträge
                    

Accuracy	Trefferquote in % — wie oft war die Vorhersage (Buy/Sell) korrekt? Buy ✅ = Preis stieg, Sell ✅ = Preis fiel. >50% = besser als Zufall.
Evals	Anzahl ausgewerteter Vorhersagen. Eine Prediction wird erst nach Ablauf des Timeframes (z.B. 1h, 4h) gegen den realen Preis verglichen.
Win / Loss	Win = korrekte Prediction (Preis bewegte sich in vorhergesagte Richtung). Loss = falsche Prediction.
TF (Timeframe)	Zeitintervall einer Kerze: 5m, 15m, 1h, 4h, 1d, 1w. Kürzere TFs haben mehr Evals, längere sind aussagekräftiger.
Pred. Preis	Close-Preis zum Zeitpunkt der Vorhersage (Basis für Vergleich).
Δ%	Prozentuale Preisänderung seit der Vorhersage. Positiv = Preis gestiegen, negativ = gefallen.
Sentiment	3-Stufen News-Analyse: BGE-Filter → Reranking → CryptoBERT-Sentiment. Ergibt Buy/Sell/Hold basierend auf Nachrichtenlage.
📊 Training-Metriken (nur für trainierte Modelle)
Val RMSE	Root Mean Squared Error auf Validierungsdaten. Misst durchschnittliche Abweichung der Preis-Vorhersage. Niedriger = besser.
Val MAE	Mean Absolute Error auf Validierungsdaten. Mittlere absolute Abweichung in Preiseinheiten. Niedriger = besser.
Dir. Acc.	Direction Accuracy — wie oft wurde bei Validierung die richtige Richtung (rauf/runter) vorhergesagt? >50% = besser als Zufall.
Train / Val	Anzahl Trainings- / Validierungsdatenpunkte. Je mehr, desto robuster das Modell.
Features	Anzahl Input-Variablen (z.B. SMA, RSI, MACD, Volatility). Mehr Features ≠ besser, Overfit-Gefahr.
Bewertung	Automatische Einschätzung basierend auf Dir. Accuracy: 🌟 Exzellent (≥60%), ✅ Gut (≥55%), 👍 OK (≥52%), ⚠️ Grenzwertig (≥50%), ❌ Schlecht (<50%).

🧠 Inference Server

⚡ Training-Queue

🖥️ Compute Server (85.214.183.93) ⏳ Prüfe...

📊 Aktuelle Signale

🤖 Bots Server (85.214.183.102) ⏳ Prüfe...

🤖 Aktive Bots

📊 Live RAM-Status

🔗 Model-Bot Zuweisung

➕ Neue Zuweisung erstellen

⚡ Modellübersicht

📦 Archivierte Training-Runs

💾 Aktuell geladene Modelle (im RAM)

⚡ Inference Fast (5m, 15m)

⚠️ Fetch-Fehler

🤖 Modell-Ergebnisse

🐢 Inference Slow (1h, 4h, 1d, 1w)

⚠️ Fetch-Fehler

🤖 Modell-Ergebnisse

🔧 Trainierte Modelle

🎯 Signal-Qualität Dashboard

🗺️ Accuracy Heatmap (Modelle × Timeframes)

🏆 Modell-Ranking

📊 Win/Loss pro Modell

📈 Trainings-Verlauf (alle Runs)

🧪 Modellvergleich im Zeitverlauf — je Timeframe

📜 Letzte Auswertungen

📋 Pair-Details — Accuracy pro Modell / TF / Pair

🏋️ Training Worker

⚡ Training Queue

📋 Training Log

🧠 Trainierte Modelle

🧬 Meta-Model Status

📡 Meta-Signale (Live)

📊 Modell-Ranking (Rolling Accuracy)

🔄 Rotations-Log

⚡ Training-Queue

🖥️ Compute Server (85.214.183.93) ⏳ Prüfe...

📊 Aktuelle Signale

🤖 Bots Server (85.214.183.102) ⏳ Prüfe...

🤖 Aktive Bots

📊 Live RAM-Status

🔗 Model-Bot Zuweisung

➕ Neue Zuweisung erstellen

⚡ Modellübersicht

📦 Archivierte Training-Runs

💾 Aktuell geladene Modelle (im RAM)

⚡ Inference Fast (5m, 15m)

⚠️ Fetch-Fehler

🤖 Modell-Ergebnisse

🐢 Inference Slow (1h, 4h, 1d, 1w)

⚠️ Fetch-Fehler

🤖 Modell-Ergebnisse

🔧 Trainierte Modelle

🎯 Signal-Qualität Dashboard

📖 Glossar — Signal-Qualität

🗺️ Accuracy Heatmap (Modelle × Timeframes)

🏆 Modell-Ranking

📊 Win/Loss pro Modell

📈 Trainings-Verlauf (alle Runs)

🧪 Modellvergleich im Zeitverlauf — je Timeframe

📜 Letzte Auswertungen

📋 Pair-Details — Accuracy pro Modell / TF / Pair

🏋️ Training Worker

⚡ Training Queue

📋 Training Log

🧠 Trainierte Modelle

🧬 Meta-Model Status

📡 Meta-Signale (Live)

📊 Modell-Ranking (Rolling Accuracy)

🔄 Rotations-Log