Блог

Flash Attention 23 400 қадамдық сауда контекстін есептеу үшін тегін етеді — плиткаларды төсеу, онлайн softmax және IO шегі N^2 d^2 / M. Бұл ұзағырақ контекст үлгіні жақсартады ма, бұл бөлек мәселе және оны растау емес, өлшеу керек.

Бұл блогта сауда ансамбльдері туралы үш нәрсе қарастырылмаған: неліктен модельдер саны емес, коварианттық термин ансамбль қатесінде басым болады, қабаттан тыс мета-мүмкіндіктері бар сигнал-комбинация қабаты ретінде стекинг қалай жұмыс істейді және көптеген сигналдар бойынша айналым желісін іс жүзінде орындау құнын төмендетеді ме.

Бұл блогтегі барлық модельдер дерлік 'не ненді болжайды?' деген сұраққа жауап береді. Қос ML 'не неғ себеп болады?' дегенге жауап береді — қорғай алатын стандартты қатемен. Жартылай сызықты модель, Neyman ортогоналдылығы, тапсырыс кітабы деректеріндегі тазартылған cross-fitting және жарамды DML сенім аралығының тек алдын ала анықталған бір сұраққа өтетіні туралы адал есеп.

Бұл блогтағы әрбір backtest шартты орташа бағалайды. Causal forests оның орнына шартты емдеу әсерін бағалайды — tau(x) mu(x) орнына — honest splitting, адаптивті kernel салмақ көрінісі және сіз тапқан гетерогенділіктің нақты екенін айтатын калибрлау тестімен.

Бұл блогтың барлық позиция өлшеу ережелері белгісіздікті бір скалярға қысады. MC Dropout және терең ансамбльдер оны модельдің білмесушілігі мен нарықтың шу-шуына бөледі — және ол екеуіне әртүрлі позиция өлшемдері қажет.

Автоматтандырылған мүмкіндіктерді генерациялау (tsfresh, Featuretools), бюджетті ескеретін үлгілерді іздеу (FLAML-ның үнемді оңтайландырушысы) және WorldQuant формулалық альфа-зауыты — бұл блогтың іздеу және артық қосу доғасы ешқашан қарастырылмаған және доғаның өз нәтижелері олар туралы не дейді.

Әрбір левереджді позиция сатылуға тиіс бағаны алдын ала жариялайды. Он-чейн ликвидация тереңдігі графигі мен CEX ликвидация жылу картасын құруды, каскад динамикасын көбею саны ретінде модельдеуді және мәжбүрлі ағыннан тек қауіптенбей, оны сигнал ретінде саудалауды үйреніңіз.