← 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
    Metode Ensemble: Menggabungkan Pembelajar yang Lemah untuk Alpha yang Kuat
    Aug 3, 2026 #machine-learning

    Metode Ensemble: Menggabungkan Pembelajar yang Lemah untuk Alpha yang Kuat

    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.
  3. 03
    AutoML untuk Pipeline Perdagangan Sistematis
    Jul 30, 2026 #AutoML

    AutoML untuk Pipeline Perdagangan Sistematis

    Automated feature generation (tsfresh, Featuretools), budget-aware model search (FLAML's cost-frugal optimizer), and the WorldQuant formulaic alpha factory — the parts of the research pipeline this blog's search-and-overfit arc never covered, and what the arc's own results say about them.
  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
    Deteksi Anomali untuk Perlindungan Bot Trading: Dari Z-Score hingga Transformer
    Feb 19, 2026 #algo trading

    Deteksi Anomali untuk Perlindungan Bot Trading: Dari Z-Score hingga Transformer

    Metode deteksi anomali mana yang benar-benar efektif dalam algo trading kripto, cara membangun arsitektur perlindungan bertingkat, dan mengapa ini adalah fondasi yang tanpanya algo trading menjadi perjudian.
  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
    Apakah Konteks Sehari Penuh Mengalahkan Konteks Sepuluh Menit? Perhatian Kilat dan Pertanyaan Panjang Urutan
    Aug 4, 2026 #deep-learning

    Apakah Konteks Sehari Penuh Mengalahkan Konteks Sepuluh Menit? Perhatian Kilat dan Pertanyaan Panjang Urutan

    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.
  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
    Proses Gaussian untuk Pemodelan Harga Non-Parametrik
    Aug 6, 2026 #bayesian

    Proses Gaussian untuk Pemodelan Harga Non-Parametrik

    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.
  12. 12
    Epistemik vs Aleatorik: Mengukur Apa yang Tidak Diketahui Model Return
    Jul 31, 2026 #bayesian

    Epistemik vs Aleatorik: Mengukur Apa yang Tidak Diketahui Model Return

    Setiap aturan sizing di blog ini memperlakukan ketidakpastian sebagai satu angka. MC Dropout dan deep ensembles membaginya menjadi ketidaktahuan model dan noise pasar — dan keduanya layak mendapat ukuran posisi yang berbeda.
  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
    Jaringan Neural Hamiltonian: Apakah Sistem Keuangan Menghemat Sesuatu?
    Aug 8, 2026 #deep-learning

    Jaringan Neural Hamiltonian: Apakah Sistem Keuangan Menghemat Sesuatu?

    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.
  15. 15
    Operator Neural Fourier untuk Pemodelan Keuangan Berbasis PDE
    Aug 5, 2026 #deep-learning

    Operator Neural Fourier untuk Pemodelan Keuangan Berbasis PDE

    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.