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