Pembahasan mendalam tentang AI trading, analisis pasar, dan masa depan DeFi.
Browse collections →Nothing found. Try a different query.
Jaringan Neural Hamiltonian terbukti stabil — tetapi stabilitas tidak ada gunanya jika kuantitas yang dilestarikan tidak ada. Mempelajari skalar H melalui autograd, integrasi simplektis, dan uji falsifikasi yang memutuskan apakah pasangan finansial (q, p) bersifat kanonik.
Kausalitas Granger pada harga kripto dilakukan dengan dua cara — perbedaan pengembalian dan level Toda-Yamamoto — dengan implementasi Wald yang benar, matriks kausalitas terkoreksi-N yang efektif, dan uji stabilitas bergulir untuk mengetahui apakah lag dapat diperdagangkan atau tidak.
Desain kernel untuk deret waktu keuangan — Kekasaran matern, komposisi periodik lokal, campuran spektral — dan kemungkinan marjinal sebagai pengatur yang tidak memerlukan set validasi. Ditambah daftar jujur tentang apa yang masih harus diukur sebelum dapat diperdagangkan.
Pembelajaran operator memetakan seluruh ruang fungsi, bukan titik — bagaimana Fourier Neural Operator membuat parameter operator solusi PDE dalam ruang frekuensi, apa yang dibeli untuk harga opsi, dan klaim mana yang masih perlu diukur pada perangkat keras sebenarnya.
Flash Attention menjadikan konteks perdagangan 23.400 langkah bebas komputasi — ubin, softmax online, dan batasan IO sebesar N^2 d^2 / M. Apakah konteks yang lebih panjang tersebut menjadikan model lebih baik adalah pertanyaan terpisah, dan harus diukur, bukan ditegaskan.
Tiga hal tentang ansambel perdagangan yang belum dibahas di blog ini: mengapa istilah kovarians — bukan jumlah model — mendominasi kesalahan ansambel, bagaimana penumpukan berfungsi sebagai lapisan kombinasi sinyal dengan fitur meta yang tidak dapat dilipat, dan apakah jaring omset di banyak sinyal benar-benar mengurangi biaya eksekusi.
Setiap model di blog ini menjawab 'apa yang memprediksi apa?'. Double ML menjawab 'apa yang menyebabkan apa?' — dengan standar error yang bisa Anda pertahankan. Model partially linear, orthogonalitas Neyman, cross-fitting yang dipurges pada data order book, dan perhitungan jujur mengapa interval kepercayaan DML yang valid bertahan untuk tepat satu pertanyaan yang telah ditentukan sebelumnya.