← 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
    Ансамбльдік әдістер: Әлсіз оқушыларды сенімді альфа үшін біріктіру
    Aug 3, 2026 #machine-learning

    Ансамбльдік әдістер: Әлсіз оқушыларды сенімді альфа үшін біріктіру

    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.
  3. 03
    Жүйелі сауда құбырларына арналған AutoML
    Jul 30, 2026 #AutoML

    Жүйелі сауда құбырларына арналған AutoML

    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.
  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
    Сауда боттарын қорғау үшін аномалияларды анықтау: Z-Score-дан Трансформерге дейін
    Feb 19, 2026 #algo trading

    Сауда боттарын қорғау үшін аномалияларды анықтау: Z-Score-дан Трансформерге дейін

    Крипто algo-трейдингте қандай аномалияларды анықтау әдістері нақты жұмыс істейді, каскадты қорғау архитектурасын қалай құру керек және неге бұл негізсіз algo-трейдинг құмар ойынға айналады.
  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
    Толық күндік контекст он минутты жеңе ме? «Назар аударыңыз» және реттілік туралы сұрақ
    Aug 4, 2026 #deep-learning

    Толық күндік контекст он минутты жеңе ме? «Назар аударыңыз» және реттілік туралы сұрақ

    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.
  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
    Параметрлік емес бағаларды модельдеуге арналған Гаусс процестері
    Aug 6, 2026 #bayesian

    Параметрлік емес бағаларды модельдеуге арналған Гаусс процестері

    Қаржылық уақыт сериялары үшін ядро ​​дизайны — Ананың кедір-бұдырлығы, жергілікті мерзімді құрам, спектрлік қоспалар — және валидация жиынын қажет етпейтін реттегіш ретіндегі шекті ықтималдық. Сонымен қатар, олардың кез келгені сатылмас бұрын өлшенуі керек нәрселердің адал тізімі.
  12. 12
    Эпистемикалық және алеаторикалық: Қайтарым моделі білмейтін нәрсені өлшеу
    Jul 31, 2026 #bayesian

    Эпистемикалық және алеаторикалық: Қайтарым моделі білмейтін нәрсені өлшеу

    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.
  13. 13
    Нейрондық ODE: үздіксіз уақыт Delta-Time мүмкіндігін жеңе ме?
    Aug 16, 2026 #deep-learning

    Нейрондық ODE: үздіксіз уақыт Delta-Time мүмкіндігін жеңе ме?

    Нейрондық ODE, нейрондық SDE және тұрақты емес таңдалған нарық деректері үшін үздіксіз нормалау ағындары — және үздіксіз динамиканың шешуші құнына тұрарлық екенін шешетін бір абляция.
  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 негізіндегі қаржылық модельдеуге арналған Фурье нейрондық операторы
    Aug 5, 2026 #deep-learning

    PDE негізіндегі қаржылық модельдеуге арналған Фурье нейрондық операторы

    Операторды үйрену нүктелерді емес, бүкіл функциялық кеңістіктерді картаға түсіреді — Фурье нейрондық операторы жиілік кеңістігінде PDE шешім операторын қалай параметрлейді, опцияның бағасы үшін не сатып алады және оның талаптарының қайсысы әлі де нақты аппараттық құралда өлшеуді қажет етеді.