Блог

Как двухэтапный тест MCI PCMCI восстанавливает направленные причинно-следственные связи между криптоактивами там, где корреляция и двумерный Грейнджер не могут — конструкция, тигритовый конвейер и исследование реальных данных, в которых он все еще нуждается.

Превращение необработанных обновлений книги в подписанную величину потока: разложение событий CKS, многоуровневый OFI с сокращением PCA и торговая классификация Lee-Ready, а также честный отчет о том, что на самом деле измеряет R-квадрат заголовка.

Нейронные ОДУ, нейронные СДУ и непрерывные потоки нормализации для рыночных данных с нерегулярной выборкой — и единственное удаление, которое решает, стоит ли непрерывная динамика затрат на решатель.

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.

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.

Our VWAP article shipped a static, weekly-refit volume curve and called the forecaster the weakest link. This is the follow-up: a Bayesian intraday updater run against the same 500-parent BTCUSDT harness, with the IS delta conditioned on realized curve error.

Dynamic Mode Decomposition fits a linear operator to nonlinear market dynamics. The only question that matters: do the fitted modes persist from one window to the next, and does the rolling spectral radius lead realised volatility? Here is the measurement protocol and the code to run it.