← Все подборки
🧬 15 частей

Современный ML для трейдинга

Полный инструментарий от градиентного бустинга до нейрооператоров: ансамбли, AutoML, вероятностное прогнозирование, дистилляция и прунинг ради латентности, плюс физико-информированные архитектуры вроде Neural ODE и Fourier-операторов.

  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
    Ансамблевые методы: объединение слабых учащихся для надежной альфа-версии
    Aug 3, 2026 #machine-learning

    Ансамблевые методы: объединение слабых учащихся для надежной альфа-версии

    Три вещи о торговых ансамблях, которые не были освещены в этом блоге: почему термин ковариации, а не количество моделей, доминирует над ошибкой ансамбля, как стекирование работает как уровень комбинации сигналов с нестандартными мета-функциями и действительно ли объединение оборотов по множеству сигналов снижает стоимость исполнения.
  3. 03
    AutoML для систематических торговых конвейеров
    Jul 30, 2026 #AutoML

    AutoML для систематических торговых конвейеров

    Автоматическая генерация признаков (tsfresh, Featuretools), поиск моделей с учетом бюджета (экономный по стоимости оптимизатор FLAML) и формульная альфа-фабрика WorldQuant — части исследовательского конвейера, которые эта серия о поиске и переобучении не охватывала, и выводы из собственных результатов серии.
  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
    Детектирование аномалий для защиты торговых ботов: от Z-Score до Transformer
    Feb 19, 2026 #алготрейдинг

    Детектирование аномалий для защиты торговых ботов: от Z-Score до Transformer

    Какие методы обнаружения аномалий реально работают в крипто-алготрейдинге, как выстроить каскадную архитектуру защиты и почему это фундамент, без которого алготрейдинг превращается в рулетку.
  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
    Контекст на целый день лучше десятиминутного? Вспышка внимания и вопрос о длине последовательности
    Aug 4, 2026 #deep-learning

    Контекст на целый день лучше десятиминутного? Вспышка внимания и вопрос о длине последовательности

    Flash Attention делает торговый контекст из 23 400 шагов вычислительно свободным — тайлинг, онлайн-софтмакс и граница ввода-вывода N^2 d^2 / M. Делает ли этот более длинный контекст модель лучше — это отдельный вопрос, и его нужно измерять, а не утверждать.
  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
    Гауссовы процессы для непараметрического моделирования цен
    Aug 6, 2026 #bayesian

    Гауссовы процессы для непараметрического моделирования цен

    Разработка ядра для финансовых временных рядов — шероховатость Матерна, локально-периодический состав, спектральные смеси — и предельное правдоподобие в качестве регуляризатора, не требующего набора проверки. Плюс честный список того, что еще нужно измерить, прежде чем что-либо из этого станет предметом торговли.
  12. 12
    Эпистемическое и алеаторическое: измерение того, что не знает модель доходности
    Jul 31, 2026 #bayesian

    Эпистемическое и алеаторическое: измерение того, что не знает модель доходности

    Каждое правило определения размера позиции в этом блоге сводит неопределенность к одному числу. MC Dropout и глубокие ансамбли разделяют ее на незнание модели и рыночный шум — и эти два компонента заслуживают разных размеров позиций.
  13. 13
    Нейронные ОДУ: превосходит ли непрерывное время функцию дельта-времени?
    Aug 16, 2026 #deep-learning

    Нейронные ОДУ: превосходит ли непрерывное время функцию дельта-времени?

    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.
  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
    Нейронный оператор Фурье для финансового моделирования на основе PDE
    Aug 5, 2026 #deep-learning

    Нейронный оператор Фурье для финансового моделирования на основе PDE

    Обучение операторов отображает целые функциональные пространства, а не точки — как нейронный оператор Фурье параметризует оператор решения PDE в частотном пространстве, что это дает для ценообразования опционов и какие из его утверждений все еще требуют измерения на реальном оборудовании.