← 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
    Ансамблдик методдор: күчтүү Alpha үчүн алсыз окуучуларды бириктирүү
    Aug 3, 2026 #machine-learning

    Ансамблдик методдор: күчтүү Alpha үчүн алсыз окуучуларды бириктирүү

    Бул блогдо соода ансамблдери жөнүндө үч нерсе камтылган эмес: эмне үчүн ковариация термини - моделдин саны эмес - ансамбль катасында үстөмдүк кылат, стекинг бүктөлгөн мета-функциялары бар сигнал-айкалуу катмары катары кантип иштейт жана көптөгөн сигналдар боюнча жүгүртүү сеткасы чындыгында аткаруу наркын азайтабы.
  3. 03
    Системалык соода түтүктөрү үчүн AutoML
    Jul 30, 2026 #AutoML

    Системалык соода түтүктөрү үчүн AutoML

    Автоматташтырылган функцияларды түзүү (tsfresh, Featuretools), бюджетти эске алган моделди издөө (FLAMLдин үнөмдүү оптимизатору) жана WorldQuant формулалык альфа фабрикасы — бул блогдун издөө жана ашыкча жабдылган жаасынын изилдөө тутумунун бөлүктөрү эч качан камтылбайт жана алар жөнүндө доонун өз натыйжалары эмне дейт.
  4. 04
    Бааны, көлөмдү жана туруксуздукту болжолдоо үчүн көп тапшырманы үйрөнүү
    Aug 15, 2026 #deep-learning

    Бааны, көлөмдү жана туруксуздукту болжолдоо үчүн көп тапшырманы үйрөнүү

    Кайтарууну, көлөмдү жана туруксуздукту биргелешип алдын ала айтуу чындыгында жардам береби? Жоготууларды теңдөө схемаларын өлчөө жана градиенттин косинус окшоштугу аркылуу терс өтүүнү диагностикалоо — классикалык базалык сызык жана тазаланган алдыга бүктөмөлөр менен.
  5. 05
    Соода боттарын коргоо үчүн аномалияларды аныктоо: Z-Score-дон Трансформерге чейин
    Feb 19, 2026 #algo trading

    Соода боттарын коргоо үчүн аномалияларды аныктоо: Z-Score-дон Трансформерге чейин

    Крипто algo-соодада кайсы аномалияларды аныктоо ыкмалары чын эле иштейт, каскаддык коргоо архитектурасын кантип түзүү керек жана эмне үчүн бул негизсиз algo-соода оюнга айланат.
  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
    Толук күндүк контекст он мүнөттү жеңеби? Көңүл буруу жана ырааттуулук боюнча суроо
    Aug 4, 2026 #deep-learning

    Толук күндүк контекст он мүнөттү жеңеби? Көңүл буруу жана ырааттуулук боюнча суроо

    Flash Attention 23 400 кадамдык соода контекстти эсептөө үчүн акысыз кылат — плиткаларды коюу, онлайн softmax жана IO менен N^2 d^2 / M менен чектелди. Бул узун контекст моделди жакшыртабы, бул өзүнчө суроо жана аны ырастоо эмес, өлчөө 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
    Параметрдик эмес бааны моделдөө үчүн Гаусс процесстери
    Aug 6, 2026 #bayesian

    Параметрдик эмес бааны моделдөө үчүн Гаусс процесстери

    Финансылык убакыт сериялары үчүн ядро ​​дизайны — Энеликтин оройлугу, жергиликтүү мезгилдик курамы, спектралдык аралашмалар — жана валидациялоону талап кылбаган регуляризатор катары чектүү ыктымалдуулук. Мындан тышкары, анын кайсынысы болбосун соодалоого чейин өлчөө керек болгон нерселердин чынчыл тизмеси.
  12. 12
    Эпистемдик жана алеатордук: Кайтарым модели билбеген нерсени өлчөө
    Jul 31, 2026 #bayesian

    Эпистемдик жана алеатордук: Кайтарым модели билбеген нерсени өлчөө

    Бул блогдун бардык позиция өлчөө эрежелери белгисиздикти бир скалярга кысып келет. MC Dropout жана терең ансамблдар аны моделдин билимсиздиги жана рыноктун шу-шусуна бөлөт — жана эки эле ар түрдүү позиция өлчөмдөрүн талап кылат.
  13. 13
    Нейрондук ODEs: Үзгүлтүксүз убакыт Delta-Time өзгөчөлүгүн жеңеби?
    Aug 16, 2026 #deep-learning

    Нейрондук ODEs: Үзгүлтүксүз убакыт Delta-Time өзгөчөлүгүн жеңеби?

    Нейрондук ODE, Нейрондук SDE жана үзгүлтүксүз тандалып алынган рыноктук маалыматтар үчүн үзгүлтүксүз нормалдаштыруу агымдары - жана үзгүлтүксүз динамика алардын чечүүчү наркына татыктуубу же жокпу, чечүүчү бир 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 негизиндеги каржылык моделдөө үчүн Фурье нейрондук оператору
    Aug 5, 2026 #deep-learning

    PDE негизиндеги каржылык моделдөө үчүн Фурье нейрондук оператору

    Операторду үйрөнүү чекиттерди эмес, бүт функциялык мейкиндиктерди картага түшүрөт — Фурье Нейрондук Оператору жыштык мейкиндигинде PDE чечим операторун кантип параметрлештирет, ал опциондун баасы үчүн эмне сатып алат жана анын талаптарынын кайсынысы дагы эле реалдуу аппараттык жабдыкта өлчөөнү талап кылат.