← 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
    Ensemble-methoden: zwakke leerlingen combineren voor robuuste alfa
    Aug 3, 2026 #machine-learning

    Ensemble-methoden: zwakke leerlingen combineren voor robuuste alfa

    Drie dingen over handelsensembles die deze blog niet heeft behandeld: waarom de covariantieterm – en niet het aantal modellen – de ensemblefout domineert, hoe stapelen werkt als een signaalcombinatielaag met out-of-fold meta-functies, en of het verrekenen van omzet over veel signalen daadwerkelijk de uitvoeringskosten verlaagt.
  3. 03
    AutoML voor systematische handelspijplijnen
    Jul 30, 2026 #AutoML

    AutoML voor systematische handelspijplijnen

    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.
  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
    Anomaliedetectie voor de bescherming van trading bots: van Z-Score tot Transformer
    Feb 19, 2026 #algo trading

    Anomaliedetectie voor de bescherming van trading bots: van Z-Score tot Transformer

    Welke methoden voor anomaliedetectie werkelijk werken in crypto algo-trading, hoe je een cascaderende beschermingsarchitectuur bouwt, en waarom dit het fundament is zonder hetwelk algo-trading gokken wordt.
  6. 06
    Probabilistische voorspellingen scoren: CRPS, PIT-kalibratie en DeepAR
    Aug 20, 2026 #forecasting

    Probabilistische voorspellingen scoren: CRPS, PIT-kalibratie en DeepAR

    Hoe je een voorspellende verdeling eerlijk kunt evalueren: CRPS als een goede scoreregel, het PIT-histogram als kalibratiediagnostiek en DeepAR-sampling in GluonTS.
  7. 07
    Onregelmatige tijd in tick-modellen: continue tijdcoderingen versus gewone positionele inbedding
    Aug 22, 2026 #HFT

    Onregelmatige tijd in tick-modellen: continue tijdcoderingen versus gewone positionele inbedding

    Sequentiemodellen die gevoed worden met tekengegevens gaan nog steeds uit van een regelmatige tussenruimte. Drie manieren om een ​​Transformer te vertellen wanneer een tick daadwerkelijk heeft plaatsgevonden: continue codering op leerbare tijdschaal, ODE-RNN latente status en delta_t als een duidelijk kenmerk – en de ablatie die tussen deze twee beslist.
  8. 08
    Is een context van een hele dag beter dan een context van tien minuten? Flitsaandacht en de vraag over de reekslengte
    Aug 4, 2026 #deep-learning

    Is een context van een hele dag beter dan een context van tien minuten? Flitsaandacht en de vraag over de reekslengte

    Flash Attention maakt een handelscontext van 23.400 stappen rekenvrij: tiling, online softmax en een IO-grens van N^2 d^2 / M. Of die langere context het model beter maakt, is een aparte vraag, en die moet worden gemeten en niet worden beweerd.
  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
    Gaussiaanse processen voor niet-parametrische prijsmodellering
    Aug 6, 2026 #bayesian

    Gaussiaanse processen voor niet-parametrische prijsmodellering

    Kernelontwerp voor financiële tijdreeksen – moederruwheid, lokaal periodieke samenstelling, spectrale mengsels – en de marginale waarschijnlijkheid als regularisator die geen validatieset nodig heeft. Plus de eerlijke lijst van wat er nog gemeten moet worden voordat het verhandelbaar is.
  12. 12
    Epistemisch vs Aleatorisch: Meten Wat een Returnmodel Niet Weet
    Jul 31, 2026 #bayesian

    Epistemisch vs Aleatorisch: Meten Wat een Returnmodel Niet Weet

    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.
  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
    Fourier neurale operator voor op PDE gebaseerde financiële modellering
    Aug 5, 2026 #deep-learning

    Fourier neurale operator voor op PDE gebaseerde financiële modellering

    Operator learning brengt hele functieruimten in kaart, geen punten – hoe de Fourier Neural Operator een PDE-oplossingsoperator parameteriseert in frequentieruimte, wat die koopt voor optieprijzen, en welke van zijn claims nog steeds moeten worden gemeten op echte hardware.