← All Collections
🧬 15 parts

Modern ML for Trading

The full gradient-boosting-to-neural-operator toolkit — ensembles, AutoML, probabilistic forecasting, distillation and pruning for latency, plus physics-informed architectures like Neural ODEs and Fourier operators.

  1. 01
    XGBoost for Return Direction: Class Imbalance and Decision Thresholds
    Aug 25, 2026 #machine-learning

    XGBoost for Return Direction: Class Imbalance and Decision Thresholds

    Return-direction classifiers are imbalanced problems, and 0.5 is the wrong decision threshold. Comparing scale_pos_weight, focal loss, and precision-constrained threshold optimization on crypto data — plus the engineering differences between XGBoost, LightGBM, and CatBoost.
  2. 02
    طرق المجموعة: الجمع بين المتعلمين الضعفاء من أجل ألفا قوي
    Aug 3, 2026 #machine-learning

    طرق المجموعة: الجمع بين المتعلمين الضعفاء من أجل ألفا قوي

    ثلاثة أشياء حول مجموعات التداول لم تغطيها هذه المدونة: لماذا يهيمن مصطلح التغاير - وليس عدد النماذج - على خطأ المجموعة، وكيف يعمل التراص كطبقة تجميع الإشارة مع ميزات تعريفية خارج الطية، وما إذا كانت شبكة الدوران عبر العديد من الإشارات تقلل في الواقع تكلفة التنفيذ.
  3. 03
    AutoML لخطوط أنابيب التداول المنهجية
    Jul 30, 2026 #AutoML

    AutoML لخطوط أنابيب التداول المنهجية

    إنشاء الميزات تلقائيًا (tsfresh وFeaturetools)، والبحث النموذجي المراعي للميزانية (مُحسِّن FLAML الموفر للتكلفة)، ومصنع ألفا المعتمد من WorldQuant - أجزاء مسار البحث التي لم يغطيها قوس البحث والتجاوز في هذه المدونة مطلقًا، وما تقوله نتائج القوس الخاصة عنها.
  4. 04
    Multi-Task Learning for Simultaneous Price, Volume, and Volatility Prediction
    Aug 15, 2026 #deep-learning

    Multi-Task Learning for Simultaneous Price, Volume, and Volatility Prediction

    Does jointly predicting return, volume, and volatility actually help? Measuring loss-balancing schemes and diagnosing negative transfer through gradient cosine similarity — with a classical baseline and purged walk-forward folds.
  5. 05
    كشف الشذوذ لحماية بوتات التداول: من Z-Score إلى Transformer
    Feb 19, 2026 #algo trading

    كشف الشذوذ لحماية بوتات التداول: من Z-Score إلى Transformer

    ما هي أساليب كشف الشذوذ التي تعمل فعلاً في التداول الخوارزمي للعملات المشفرة، وكيفية بناء هندسة حماية متعاقبة، ولماذا يُعد هذا الأساس الذي بدونه يتحول التداول الخوارزمي إلى مقامرة.
  6. 06
    Scoring Probabilistic Forecasts: CRPS, PIT Calibration, and DeepAR
    Aug 20, 2026 #forecasting

    Scoring Probabilistic Forecasts: CRPS, PIT Calibration, and DeepAR

    How to evaluate a predictive distribution honestly — CRPS as a proper scoring rule, the PIT histogram as a calibration diagnostic, and DeepAR sampling in GluonTS.
  7. 07
    Irregular Time in Tick Models: Continuous-Time Encodings vs. Plain Positional Embeddings
    Aug 22, 2026 #HFT

    Irregular Time in Tick Models: Continuous-Time Encodings vs. Plain Positional Embeddings

    Sequence models fed tick data still assume regular spacing. Three ways to tell a Transformer when a tick actually happened — learnable-timescale continuous encoding, ODE-RNN latent state, and delta_t as a plain feature — and the ablation that decides between them.
  8. 08
    هل يتفوق سياق اليوم الكامل على عشر دقائق؟ انتباه فلاش وسؤال طول التسلسل
    Aug 4, 2026 #deep-learning

    هل يتفوق سياق اليوم الكامل على عشر دقائق؟ انتباه فلاش وسؤال طول التسلسل

    يجعل برنامج Flash Attention سياق تداول مكون من 23,400 خطوة خاليًا من الناحية الحسابية — التبليط، وsoftmax عبر الإنترنت، وحدود الإدخال/الإخراج بقيمة N^2 d^2 / M. ما إذا كان هذا السياق الأطول يجعل النموذج أفضل هو سؤال منفصل، ويجب قياسه، وليس التأكيد عليه.
  9. 09
    Knowledge Distillation: Compressing Trading Models for Low-Latency Deployment
    Aug 11, 2026 #model-compression

    Knowledge Distillation: Compressing Trading Models for Low-Latency Deployment

    The blog's standing answer to the accuracy-vs-latency tension is a two-stage fast/slow split. Distillation is a different answer: train one small model to mimic the ensemble. The KD loss, temperature, born-again nets, early exits for a variable latency budget, and the distill-to-FPGA pipeline — plus the measurements that would decide whether it beats the two-stage split.
  10. 10
    Model Pruning for Low-Latency Trading Inference
    Aug 14, 2026 #model-compression

    Model Pruning for Low-Latency Trading Inference

    Magnitude and structured pruning, the Lottery Ticket Hypothesis, movement pruning, distillation and 2:4 sparsity — the methods behind shrinking a trading model, and what still has to be measured before any of it ships.
  11. 11
    العمليات الغوسية لنمذجة الأسعار غير البارامترية
    Aug 6, 2026 #bayesian

    العمليات الغوسية لنمذجة الأسعار غير البارامترية

    تصميم النواة للسلاسل الزمنية المالية - خشونة الأم، والتركيب الدوري المحلي، والمخاليط الطيفية - والاحتمال الهامشي كمنظم لا يحتاج إلى مجموعة التحقق من الصحة. بالإضافة إلى القائمة الصادقة لما لا يزال يتعين قياسه قبل أن يصبح أي منها قابلاً للتداول.
  12. 12
    المعرفي مقابل المعلوم: قياس ما لا يعرفه نموذج العائد
    Jul 31, 2026 #bayesian

    المعرفي مقابل المعلوم: قياس ما لا يعرفه نموذج العائد

    كل قاعدة تحجيلة في هذه المدونة تعامل عدم اليقين كرقم واحد. إسقاط مونت كارلو والتشكيلات العميقة تقسمانه إلى جهل النموذج وضجيج السوق — وكلاهما يستحق أحجامًا مختلفة من المراكز.
  13. 13
    Neural ODEs: Does Continuous Time Beat a Delta-Time Feature?
    Aug 16, 2026 #deep-learning

    Neural ODEs: Does Continuous Time Beat a Delta-Time Feature?

    Neural ODEs, Neural SDEs and continuous normalizing flows for irregularly-sampled market data — and the one ablation that decides whether continuous dynamics are worth their solver cost.
  14. 14
    Hamiltonian Neural Networks: Does a Financial System Conserve Anything?
    Aug 8, 2026 #deep-learning

    Hamiltonian Neural Networks: Does a Financial System Conserve Anything?

    Hamiltonian Neural Networks are provably stable — but stability is worthless if the conserved quantity does not exist. Learning a scalar H via autograd, symplectic integration, and the falsification test that decides whether a financial (q, p) pair is canonical at all.
  15. 15
    مشغل فورييه العصبي للنمذجة المالية القائمة على PDE
    Aug 5, 2026 #deep-learning

    مشغل فورييه العصبي للنمذجة المالية القائمة على PDE

    يرسم تعلم المشغل مساحات وظيفية كاملة، وليس نقاطًا - كيف يحدد مشغل فورييه العصبي معلمات مشغل حل PDE في مساحة التردد، وما الذي يشتريه لتسعير الخيارات، وأي من مطالباته لا تزال بحاجة إلى القياس على أجهزة حقيقية.