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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
