← 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
    수익률 방향 예측을 위한 XGBoost: 클래스 불균형과 의사결정 임계값
    Aug 25, 2026 #machine-learning

    수익률 방향 예측을 위한 XGBoost: 클래스 불균형과 의사결정 임계값

    수익률 방향 분류는 불균형 문제이며 0.5는 잘못된 의사결정 임계값이다. 암호화폐 데이터에서 scale_pos_weight, 초점 손실, 정밀도 제약 임계값 최적화를 비교하고 XGBoost, LightGBM, CatBoost의 엔지니어링 차이도 살펴본다.
  2. 02
    앙상블 방법: 강력한 알파를 위한 약한 학습기 결합
    Aug 3, 2026 #machine-learning

    앙상블 방법: 강력한 알파를 위한 약한 학습기 결합

    이 블로그에서 다루지 않은 앙상블 거래에 대한 세 가지 사항: 모델 개수가 아닌 공분산 항이 앙상블 오류를 지배하는 이유, 스택이 아웃 오브 폴드 메타 기능을 갖춘 신호 결합 레이어로 작동하는 방식, 여러 신호에 걸친 회전율 상쇄가 실제로 실행 비용을 줄이는지 여부입니다.
  3. 03
    시스템 트레이딩 파이프라인을 위한 AutoML
    Jul 30, 2026 #AutoML

    시스템 트레이딩 파이프라인을 위한 AutoML

    자동 특성 생성(tsfresh, Featuretools), 예산을 고려한 모델 탐색(FLAML의 비용 절약 최적화기), WorldQuant 수식 알파 팩토리 — 이 블로그의 탐색 및 과적합 연재에서 다루지 않았던 연구 파이프라인의 구성 요소와 연재의 결과가 말해 주는 내용.
  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
    트레이딩 봇 보호를 위한 이상 탐지: Z-Score에서 Transformer까지
    Feb 19, 2026 #algo trading

    트레이딩 봇 보호를 위한 이상 탐지: Z-Score에서 Transformer까지

    암호화폐 알고트레이딩에서 실제로 작동하는 이상 탐지 방법, 캐스케이딩 보호 아키텍처 구축 방법, 그리고 왜 이것이 알고트레이딩을 도박으로 만들지 않는 기반인지.
  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
    하루 종일 컨텍스트가 10분 컨텍스트보다 낫습니까? 플래시 어텐션과 시퀀스 길이 질문
    Aug 4, 2026 #deep-learning

    하루 종일 컨텍스트가 10분 컨텍스트보다 낫습니까? 플래시 어텐션과 시퀀스 길이 질문

    Flash Attention은 타일링, 온라인 소프트맥스 및 N^2 d^2 / M의 IO 경계 등 23,400단계 거래 컨텍스트를 계산적으로 자유롭게 만듭니다. 긴 컨텍스트가 모델을 더 좋게 만드는지 여부는 별도의 질문이며 주장할 것이 아니라 측정해야 합니다.
  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
    비모수적 가격 모델링을 위한 가우스 프로세스
    Aug 6, 2026 #bayesian

    비모수적 가격 모델링을 위한 가우스 프로세스

    금융 시계열을 위한 커널 설계(모계 거칠기, 국지적 주기 구성, 스펙트럼 혼합) 및 검증 세트가 필요 없는 정규화 도구로서의 한계 가능성. 게다가 거래 가능하기 전에 측정해야 할 사항에 대한 정직한 목록도 있습니다.
  12. 12
    인식론적 vs 알레아토리: 수익 모델이 모르는 것 측정하기
    Jul 31, 2026 #bayesian

    인식론적 vs 알레아토리: 수익 모델이 모르는 것 측정하기

    이 블로그의 모든 사이징 규칙은 불확실성을 단일 스칼라로 축소해왔다. MC 드롭아웃과 딥 앙상블은 이를 모델 무지와 시장 노이즈로 분할한다——그리고 그 둘은 서로 다른 포지션 크기를 필요로 한다.
  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 기반 금융 모델링을 위한 푸리에 신경 연산자
    Aug 5, 2026 #deep-learning

    PDE 기반 금융 모델링을 위한 푸리에 신경 연산자

    연산자 학습은 포인트가 아닌 전체 기능 공간을 매핑합니다. 푸리에 신경 연산자가 주파수 공간에서 PDE 솔루션 연산자를 매개변수화하는 방법, 옵션 가격 책정을 위해 무엇을 구매하는지, 실제 하드웨어에서 여전히 측정이 필요한 주장은 무엇인지를 매핑합니다.