บล็อก

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.

Granger causality on crypto prices done two ways — differenced returns and Toda-Yamamoto on levels — with a correct Wald implementation, an effective-N corrected causality matrix, and a rolling-stability test of whether the lag is tradeable at all.

การออกแบบเคอร์เนลสำหรับอนุกรมเวลาทางการเงิน — ความหยาบของมารดา องค์ประกอบตามคาบเฉพาะที่ ส่วนผสมสเปกตรัม — และความน่าจะเป็นส่วนเพิ่มในฐานะตัวทำให้สม่ำเสมอที่ไม่จำเป็นต้องตั้งค่าการตรวจสอบความถูกต้อง รวมถึงรายการสิ่งที่ต้องวัดอย่างตรงไปตรงมาก่อนที่จะซื้อขายได้

การเรียนรู้ของผู้ปฏิบัติงานจะแมปพื้นที่ฟังก์ชันทั้งหมด ไม่ใช่ชี้ - วิธีที่ Fourier Neural Operator กำหนดพารามิเตอร์ตัวดำเนินการโซลูชัน PDE ในพื้นที่ความถี่ สิ่งที่ซื้อสำหรับการกำหนดราคาตัวเลือก และการอ้างสิทธิ์ใดที่ยังต้องมีการวัดบนฮาร์ดแวร์จริง

Flash Attention ทำให้บริบทการซื้อขาย 23,400 ขั้นตอนไม่มีค่าใช้จ่ายในการคำนวณ — การเรียงต่อกัน, ซอฟต์แม็กซ์ออนไลน์ และขอบเขต IO ที่ N^2 d^2 / M ไม่ว่าบริบทที่ยาวกว่านั้นจะทำให้โมเดลดีขึ้นหรือไม่นั้นเป็นคำถามแยกต่างหาก และจะต้องวัดผล ไม่ใช่ยืนยัน

สามสิ่งที่เกี่ยวกับกลุ่มการค้าขายในบล็อกนี้ยังไม่ครอบคลุม: เหตุใดคำความแปรปรวนร่วม (ไม่ใช่การนับแบบจำลอง) จึงครอบงำข้อผิดพลาดทั้งมวล วิธีการทำงานของการซ้อนเป็นเลเยอร์การรวมสัญญาณที่มีคุณลักษณะเมตาที่ไม่อยู่ในขอบเขต และการหมุนเวียนสุทธิของสัญญาณจำนวนมากจะช่วยลดต้นทุนการดำเนินการได้จริงหรือไม่

ทุกโมเดลในบล็อกนี้จนถึงตอนนี้ตอบคำถามว่า 'อะไรทำนายอะไร' Double ML ตอบว่า 'อะไรทำให้เกิดอะไร' — พร้อมค่ามาตรฐานข้อผิดพลาดที่คุณสามารถปกป้องได้ โมเดลเส้นตรงบางส่วน ออร์โธโกนาลิตีของ Neyman cross-fitting ที่ถูกล้างบนข้อมูล order book และการอธิบายอย่างซื่อสัตย์ว่าเหตุใดช่วงความมั่นใจ DML ที่ถูกต้องจะอยู่รอดได้เพียงคำถามที่ระบุไว้ล่วงหน้าเพียงหนึ่งคำถาม