← 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
    संयोजन विधियाँ: मजबूत अल्फा के लिए कमजोर शिक्षार्थियों का संयोजन
    Aug 3, 2026 #machine-learning

    संयोजन विधियाँ: मजबूत अल्फा के लिए कमजोर शिक्षार्थियों का संयोजन

    ट्रेडिंग संयोजनों के बारे में तीन बातें इस ब्लॉग में शामिल नहीं की गई हैं: सहप्रसरण शब्द - मॉडल गणना नहीं - संयोजन त्रुटि पर हावी क्यों है, स्टैकिंग आउट-ऑफ-फोल्ड मेटा-फीचर्स के साथ सिग्नल-संयोजन परत के रूप में कैसे काम करती है, और क्या कई सिग्नलों में टर्नओवर नेटिंग वास्तव में निष्पादन लागत को कम करती है।
  3. 03
    व्यवस्थित ट्रेडिंग पाइपलाइनों के लिए ऑटोएमएल
    Jul 30, 2026 #AutoML

    व्यवस्थित ट्रेडिंग पाइपलाइनों के लिए ऑटोएमएल

    स्वचालित फ़ीचर जेनरेशन (tsfresh, फ़ीचरटूल्स), बजट-जागरूक मॉडल खोज (FLAML की लागत-मितव्ययी ऑप्टिमाइज़र), और वर्ल्डक्वांट फ़ॉर्मूलाइक अल्फा फ़ैक्टरी - इस ब्लॉग के खोज-और-ओवरफ़िट आर्क के अनुसंधान पाइपलाइन के कुछ हिस्सों को कभी कवर नहीं किया गया, और आर्क के स्वयं के परिणाम उनके बारे में क्या कहते हैं।
  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
    ट्रेडिंग बॉट सुरक्षा के लिए एनोमली डिटेक्शन: Z-Score से Transformer तक
    Feb 19, 2026 #algo trading

    ट्रेडिंग बॉट सुरक्षा के लिए एनोमली डिटेक्शन: Z-Score से Transformer तक

    क्रिप्टो एल्गो ट्रेडिंग में एनोमली डिटेक्शन के कौन-से तरीके वास्तव में काम करते हैं, कैस्केडिंग सुरक्षा आर्किटेक्चर कैसे बनाएं, और यह क्यों वह नींव है जिसके बिना एल्गो ट्रेडिंग जुआ बन जाती है।
  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
    क्या पूरे दिन का प्रसंग दस मिनट के प्रसंग को मात देता है? फ़्लैश ध्यान और अनुक्रम-लंबाई प्रश्न
    Aug 4, 2026 #deep-learning

    क्या पूरे दिन का प्रसंग दस मिनट के प्रसंग को मात देता है? फ़्लैश ध्यान और अनुक्रम-लंबाई प्रश्न

    फ्लैश अटेंशन 23,400-स्टेप ट्रेडिंग संदर्भ को कम्प्यूटेशनल रूप से मुक्त बनाता है - टाइलिंग, ऑनलाइन सॉफ्टमैक्स, और एन^2 डी^2 / एम का एक आईओ बाउंड। क्या वह लंबा संदर्भ मॉडल को बेहतर बनाता है यह एक अलग प्रश्न है, और इसे मापा जाना चाहिए, दावा नहीं किया जाना चाहिए।
  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
    गैर-पैरामीट्रिक मूल्य मॉडलिंग के लिए गाऊसी प्रक्रियाएं
    Aug 6, 2026 #bayesian

    गैर-पैरामीट्रिक मूल्य मॉडलिंग के लिए गाऊसी प्रक्रियाएं

    वित्तीय समय श्रृंखला के लिए कर्नेल डिज़ाइन - मातृ खुरदरापन, स्थानीय रूप से आवधिक संरचना, वर्णक्रमीय मिश्रण - और एक नियमितकर्ता के रूप में सीमांत संभावना जिसे किसी सत्यापन सेट की आवश्यकता नहीं है। साथ ही व्यापार योग्य होने से पहले क्या-क्या मापा जाना बाकी है, इसकी ईमानदार सूची भी।
  12. 12
    एपिस्टेमिक बनाम एलेटोरिक: रिटर्न मॉडल नहीं जानता उसे मापना
    Jul 31, 2026 #bayesian

    एपिस्टेमिक बनाम एलेटोरिक: रिटर्न मॉडल नहीं जानता उसे मापना

    इस ब्लॉग में हर पोजिशन-साइज़िंग नियम अनिश्चितता को एक एकल संख्या मानता है। MC ड्रॉपआउट और डीप एनसेंबल्स इसे मॉडल अज्ञानता और बाज़ार शोर में विभाजित करते हैं — और दोनों को अलग-अलग पोजिशन आकार चाहिए।
  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
    पीडीई-आधारित वित्तीय मॉडलिंग के लिए फूरियर न्यूरल ऑपरेटर
    Aug 5, 2026 #deep-learning

    पीडीई-आधारित वित्तीय मॉडलिंग के लिए फूरियर न्यूरल ऑपरेटर

    ऑपरेटर लर्निंग पूरे फ़ंक्शन स्पेस को मैप करता है, बिंदुओं को नहीं - फ़ोरियर न्यूरल ऑपरेटर फ़्रीक्वेंसी स्पेस में पीडीई सॉल्यूशन ऑपरेटर को कैसे पैरामीटराइज़ करता है, वह विकल्प मूल्य निर्धारण के लिए क्या खरीदता है, और उसके किन दावों को अभी भी वास्तविक हार्डवेयर पर मापने की आवश्यकता है।