Diepgaande verkenningen van AI-handel, marktanalyse en de toekomst van DeFi.
Browse collections →Nothing found. Try a different query.
Elke backtest op deze blog schat een voorwaardelijk gemiddelde. Causal forests schatten in plaats daarvan een voorwaardelijk behandelingseffect — tau(x) in plaats van mu(x) — met honest splitting, een adaptieve kernel gewichtsrepresentatie, en een calibratietest die je vertelt of de gevonden heterogeniteit echt is.
Elke positiegrootel op deze blog reduceert onzekerheid tot één scalair. MC Dropout en deep ensembles splitsen het in modelonwetendheid en marktgeruis — en die twee verdienen verschillende posities.
Automated feature generation (tsfresh, Featuretools), budget-aware model search (FLAML's cost-frugal optimizer), and the WorldQuant formulaic alpha factory — the parts of the research pipeline this blog's search-and-overfit arc never covered, and what the arc's own results say about them.
Перевод статьи на nl
Перевод статьи на nl
Перевод статьи на nl
Het vinden van een on-chain arbitragemogelijkheid is de makkelijke helft. De moeilijke helft is het winnen van de sealed-bid prioriteitsveiling tegen elke andere 'searcher' die dezelfde cyclus heeft gevonden. Een technische analyse van atomiciteit, flash loans, backrunning, en waar arbitrage winst daadwerkelijk overleeft — inclusief niet-atomaire CEX-DEX.