← 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
    リターン方向予測の XGBoost：クラス不均衡と決定しきい値
    Aug 25, 2026#machine-learning

    リターン方向予測の XGBoost：クラス不均衡と決定しきい値

    リターン方向分類器は不均衡な問題であり、0.5 は正しい決定しきい値ではありません。暗号資産データで scale_pos_weight、焦点損失、精度制約付きしきい値最適化を比較し、XGBoost、LightGBM、CatBoost のエンジニアリング上の違いも説明します。

  2. 02
    アンサンブル手法: 弱い学習器を組み合わせて堅牢なアルファを実現する
    Aug 3, 2026#machine-learning

    アンサンブル手法: 弱い学習器を組み合わせて堅牢なアルファを実現する

    アンサンブル取引に関するこのブログで取り上げていない 3 つのこと: モデル数ではなく共分散項がアンサンブル誤差の大半を占める理由、フォールド外のメタ特徴を備えたシグナル組み合わせレイヤーとしてスタッキングがどのように機能するか、多くのシグナルにわたるターンオーバーネッティングが実際に実行コストを削減するかどうかです。

  3. 03
    システマティック取引パイプラインのための AutoML
    Jul 30, 2026#AutoML

    システマティック取引パイプラインのための AutoML

    自動特徴量生成（tsfresh、Featuretools）、予算を考慮したモデル探索（FLAML のコスト節約オプティマイザ）、そして WorldQuant の数式アルファ・ファクトリー——このブログの探索と過学習の連載で扱ってこなかった研究パイプラインの要素と、連載自身の結果が示すこと。

  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
    トレーディングボット保護のための異常検知：Z-ScoreからTransformerまで
    Feb 19, 2026#algo trading

    トレーディングボット保護のための異常検知：Z-ScoreからTransformerまで

    暗号資産アルゴトレーディングで実際に機能する異常検知手法、カスケード型保護アーキテクチャの構築方法、そしてなぜこれがアルゴトレーディングをギャンブルにしないための基盤なのか。

  6. 06
    確率予測のスコアリング：CRPS、PIT キャリブレーション、DeepAR
    Aug 20, 2026#forecasting

    確率予測のスコアリング：CRPS、PIT キャリブレーション、DeepAR

    予測分布を正直に評価する方法——適正スコアリングルールとしての CRPS、キャリブレーション診断としての PIT ヒストグラム、そして GluonTS における DeepAR サンプリング。

  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
    1 日のコンテキストは 10 分間のコンテキストに勝りますか?フラッシュ アテンションとシーケンス長の問題
    Aug 4, 2026#deep-learning

    1 日のコンテキストは 10 分間のコンテキストに勝りますか?フラッシュ アテンションとシーケンス長の問題

    Flash アテンションは、タイリング、オンライン ソフトマックス、N^2 d^2 / M の IO 境界など、23,400 ステップの取引コンテキストを計算的に自由にします。コンテキストが長くなるとモデルがより良くなるかどうかは別の問題であり、それは主張するのではなく測定する必要があります。

  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
    ノンパラメトリッ��ク価格モデリングのためのガウス過程
    Aug 6, 2026#bayesian

    ノンパラメトリック価格モデリングのためのガウス過程

    財務時系列のカーネル設計 - マザーン粗さ、局所的な周期的組成、スペクトル混合 - および検証セットを必要としない正則化器としての周辺尤度。さらに、取引可能になる前にまだ測定する必要があるものの正直なリストも含まれています。

  12. 12
    エピステミックとアレアトーリク：リターンモデルが「知らないこと」を測る
    Jul 31, 2026#bayesian

    エピステミックとアレアトーリク：リターンモデルが「知らないこと」を測る

    このブログのすべてのサイジングルールは不確実性を単一のスカラーとして扱ってきた。MCドロップアウトとディープアンサンブルはこれをモデルの無知と市場ノイズに分割する——そしてその2つには異なるポジションサイズが求められる。

  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
    PDE ベースの財務モデリング用のフーリエ ニューラル演算子
    Aug 5, 2026#deep-learning

    PDE ベースの財務モデリング用のフーリエ ニューラル演算子

    演算子の学習は、点ではなく関数空間全体をマップします。フーリエニューラル演算子が周波数空間で偏微分方程式解演算子をどのようにパラメータ化するか、オプション価格設定のために何を購入するか、実際のハードウェアでの測定がまだ必要なクレームはどれかを示します。