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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
