Approfondimenti sul trading con IA, l'analisi di mercato e il futuro della DeFi.
Browse collections →Nothing found. Try a different query.
L'apprendimento degli operatori mappa interi spazi funzionali, non punti: come l'operatore neurale di Fourier parametrizza un operatore di soluzione PDE nello spazio delle frequenze, cosa acquista per il prezzo delle opzioni e quali delle sue affermazioni necessitano ancora di essere misurate su hardware reale.
Flash Attention rende computazionalmente gratuito un contesto di trading di 23.400 passaggi: affiancamento, softmax online e un limite IO di N ^ 2 d ^ 2 / M. Se quel contesto più lungo renda il modello migliore è una questione separata e deve essere misurato, non affermato.
Tre cose sugli insiemi di trading che questo blog non ha trattato: perché il termine di covarianza – e non il conteggio dei modelli – domina l'errore dell'insieme, come lo stacking funziona come uno strato di combinazione di segnali con meta-caratteristiche out-of-fold e se la compensazione del turnover tra molti segnali riduce effettivamente i costi di esecuzione.
Ogni modello in questo blog finora risponde 'cosa predice cosa'. Double ML risponde 'cosa causa cosa' — con un errore standard che puoi difendere. Il modello parzialmente lineare, ortogonalita di Neyman, cross-fitting purgato sui dati del order book e un resoconto onesto del perche un intervallo di confidenza DML valido sopravvive esattamente a una domanda pre-specificata.
Ogni backtest in questo blog stima una media condizionale. I causal forests stimano un effetto di trattamento condizionale invece — tau(x) invece di mu(x) — con honest splitting, una rappresentazione di pesi kernel adattivi e un test di calibrazione che ti dice se l'eterogeneita che hai trovato è reale.
Ogni regola di sizing in questo blog tratta l'incertezza come un unico numero. MC Dropout e i deep ensembles la dividono in ignoranza del modello e rumore di mercato — e entrambi meritano dimensioni di posizione diverse.
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.