← 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
    วิธีการรวมกลุ่ม: ผสมผสานผู้เรียนที่อ่อนแอเพื่ออัลฟ่าที่แข็งแกร่ง
    Aug 3, 2026 #machine-learning

    วิธีการรวมกลุ่ม: ผสมผสานผู้เรียนที่อ่อนแอเพื่ออัลฟ่าที่แข็งแกร่ง

    สามสิ่งที่เกี่ยวกับกลุ่มการค้าขายในบล็อกนี้ยังไม่ครอบคลุม: เหตุใดคำความแปรปรวนร่วม (ไม่ใช่การนับแบบจำลอง) จึงครอบงำข้อผิดพลาดทั้งมวล วิธีการทำงานของการซ้อนเป็นเลเยอร์การรวมสัญญาณที่มีคุณลักษณะเมตาที่ไม่อยู่ในขอบเขต และการหมุนเวียนสุทธิของสัญญาณจำนวนมากจะช่วยลดต้นทุนการดำเนินการได้จริงหรือไม่
  3. 03
    AutoML สำหรับไปป์ไลน์การซื้อขายเชิงระบบ
    Jul 30, 2026 #AutoML

    AutoML สำหรับไปป์ไลน์การซื้อขายเชิงระบบ

    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
    การตรวจจับความผิดปกติเพื่อปกป้องบอทเทรด: จาก Z-Score ถึง Transformer
    Feb 19, 2026 #algo trading

    การตรวจจับความผิดปกติเพื่อปกป้องบอทเทรด: จาก Z-Score ถึง Transformer

    วิธีการตรวจจับความผิดปกติใดที่ได้ผลจริงในการเทรดคริปโตแบบ algo trading วิธีสร้างสถาปัตยกรรมการป้องกันแบบต่อเนื่อง และเหตุใดสิ่งนี้จึงเป็นรากฐานที่ขาดไม่ได้ในการ algo trading
  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
    บริบทเต็มวันเอาชนะหนึ่งนาทีได้หรือไม่? ความสนใจแบบแฟลชและคำถามแบบเรียงลำดับความยาว
    Aug 4, 2026 #deep-learning

    บริบทเต็มวันเอาชนะหนึ่งนาทีได้หรือไม่? ความสนใจแบบแฟลชและคำถามแบบเรียงลำดับความยาว

    Flash Attention ทำให้บริบทการซื้อขาย 23,400 ขั้นตอนไม่มีค่าใช้จ่ายในการคำนวณ — การเรียงต่อกัน, ซอฟต์แม็กซ์ออนไลน์ และขอบเขต IO ที่ N^2 d^2 / M ไม่ว่าบริบทที่ยาวกว่านั้นจะทำให้โมเดลดีขึ้นหรือไม่นั้นเป็นคำถามแยกต่างหาก และจะต้องวัดผล ไม่ใช่ยืนยัน
  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
    การตัดแต่งโมเดลสำหรับการอนุมานการเทรดที่มีเวลาแฝงต่ำ
    Aug 14, 2026 #model-compression

    การตัดแต่งโมเดลสำหรับการอนุมานการเทรดที่มีเวลาแฝงต่ำ

    การตัดแต่งตามขนาดและแบบมีโครงสร้าง สมมติฐาน Lottery Ticket การตัดแต่งตามการเคลื่อนที่ การกลั่นความรู้ และความเบาบางแบบ 2:4 — วิธีทำให้โมเดลการเทรดเล็กลง พร้อมสิ่งที่ยังต้องวัดก่อนนำไปใช้งานจริง
  11. 11
    กระบวนการเกาส์เซียนสำหรับการสร้างแบบจำลองราคาแบบไม่อิงพารามิเตอร์
    Aug 6, 2026 #bayesian

    กระบวนการเกาส์เซียนสำหรับการสร้างแบบจำลองราคาแบบไม่อิงพารามิเตอร์

    การออกแบบเคอร์เนลสำหรับอนุกรมเวลาทางการเงิน — ความหยาบของมารดา องค์ประกอบตามคาบเฉพาะที่ ส่วนผสมสเปกตรัม — และความน่าจะเป็นส่วนเพิ่มในฐานะตัวทำให้สม่ำเสมอที่ไม่จำเป็นต้องตั้งค่าการตรวจสอบความถูกต้อง รวมถึงรายการสิ่งที่ต้องวัดอย่างตรงไปตรงมาก่อนที่จะซื้อขายได้
  12. 12
    เอพิสเทมิกกับอาเลโทอิก: วัดสิ่งที่โมเดลผลตอบแทนไม่รู้
    Jul 31, 2026 #bayesian

    เอพิสเทมิกกับอาเลโทอิก: วัดสิ่งที่โมเดลผลตอบแทนไม่รู้

    ทุกกฎขนาดตำแหน่งในบล็อกนี้ย่อไม่แน่นอนให้เป็นตัวเลขเดียว MC Dropout และ deep ensembles แยกมันเป็นความไม่รู้ของโมเดลและความผิดปกติของตลาด และทั้งสองอย่างนี้สมควรได้รับขนาดตำแหน่งที่ต่างกัน
  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
    ตัวดำเนินการระบบประสาทฟูริเยร์สำหรับการสร้างแบบจำลองทางการเงินที่ใช้ PDE
    Aug 5, 2026 #deep-learning

    ตัวดำเนินการระบบประสาทฟูริเยร์สำหรับการสร้างแบบจำลองทางการเงินที่ใช้ PDE

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