← 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
    Topluluk Yöntemleri: Güçlü Alfa için Zayıf Öğrenenleri Birleştirmek
    Aug 3, 2026 #machine-learning

    Topluluk Yöntemleri: Güçlü Alfa için Zayıf Öğrenenleri Birleştirmek

    Toplulukların alım satımı hakkında bu blogun ele almadığı üç şey: neden topluluk hatasına kovaryans teriminin (model sayısı değil) hakim olduğu, istiflemenin, kullanıma hazır meta özelliklere sahip bir sinyal kombinasyon katmanı olarak nasıl çalıştığı ve birçok sinyal arasındaki ciro ağlarının gerçekten yürütme maliyetini azaltıp azaltmadığı.
  3. 03
    Sistematik Ticaret Pipeline'ları için AutoML
    Jul 30, 2026 #AutoML

    Sistematik Ticaret Pipeline'ları için AutoML

    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
    İşlem Botu Koruması için Anomali Tespiti: Z-Score'dan Transformer'a
    Feb 19, 2026 #algo trading

    İşlem Botu Koruması için Anomali Tespiti: Z-Score'dan Transformer'a

    Kripto algo ticaretinde hangi anomali tespit yöntemleri gerçekten işe yarıyor, kademeli koruma mimarisi nasıl oluşturulur ve bu neden algo ticaretinin kumara dönüşmesini engelleyen temel olmak zorundadır.
  6. 06
    Olasılık Tahminlerinin Puanlanması: CRPS, PIT Kalibrasyonu ve DeepAR
    Aug 20, 2026 #forecasting

    Olasılık Tahminlerinin Puanlanması: CRPS, PIT Kalibrasyonu ve DeepAR

    Tahmine dayalı bir dağılım dürüst bir şekilde nasıl değerlendirilir - uygun bir puanlama kuralı olarak CRPS, kalibrasyon teşhisi olarak PIT histogramı ve GluonTS'de DeepAR örneklemesi.
  7. 07
    Tick ​​Modellerinde Düzensiz Zaman: Sürekli Zaman Kodlamaları ve Düz Konumsal Yerleştirmeler
    Aug 22, 2026 #HFT

    Tick ​​Modellerinde Düzensiz Zaman: Sürekli Zaman Kodlamaları ve Düz Konumsal Yerleştirmeler

    Onay verileriyle beslenen dizi modelleri hala düzenli aralık olduğunu varsayar. Bir Transformer'a bir işaretin gerçekte ne zaman gerçekleştiğini söylemenin üç yolu - öğrenilebilir zaman ölçeği sürekli kodlama, ODE-RNN gizli durumu ve düz bir özellik olarak delta_t - ve bunlar arasında karar veren ablasyon.
  8. 08
    Tam Gün İçeriği On Dakikalık İçerikten Daha İyi mi? Flash Dikkat ve Dizi Uzunluğu Sorusu
    Aug 4, 2026 #deep-learning

    Tam Gün İçeriği On Dakikalık İçerikten Daha İyi mi? Flash Dikkat ve Dizi Uzunluğu Sorusu

    Flash Attention, 23.400 adımlık bir ticaret bağlamını hesaplama açısından ücretsiz hale getirir - döşeme, çevrimiçi softmax ve N^2 d^2 / M'lik bir IO sınırı. Bu daha uzun bağlamın modeli daha iyi hale getirip getirmediği ayrı bir sorudur ve bunun iddia edilmesi değil ölçülmesi gerekir.
  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
    Parametrik Olmayan Fiyat Modellemesi için Gauss Süreçleri
    Aug 6, 2026 #bayesian

    Parametrik Olmayan Fiyat Modellemesi için Gauss Süreçleri

    Finansal zaman serileri için çekirdek tasarımı - Ana pürüzlülük, yerel periyodik bileşim, spektral karışımlar - ve doğrulama seti gerektirmeyen bir düzenleyici olarak marjinal olasılık. Ayrıca herhangi birinin takas edilebilir hale gelmesinden önce nelerin ölçülmesi gerektiğine dair dürüst bir liste.
  12. 12
    Epistemik vs Aleatorik: Bir Getiri Modelinin Bilmediğini Ölçmek
    Jul 31, 2026 #bayesian

    Epistemik vs Aleatorik: Bir Getiri Modelinin Bilmediğini Ölçmek

    Bu blogdaki her pozisyon boyutlandırma kuralı belirsizliği tek bir skaler indirger. MC Dropout ve derin ansambllar bunu model cehaleti ve piyasa gürültüsü olarak ayırır — ve bu ikisi farklı pozisyon boyutlarını hak eder.
  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
    PDE Tabanlı Finansal Modelleme için Fourier Sinir Operatörü
    Aug 5, 2026 #deep-learning

    PDE Tabanlı Finansal Modelleme için Fourier Sinir Operatörü

    Operatör öğrenimi, noktaları değil tüm fonksiyon alanlarını haritalandırır; Fourier Sinir Operatörünün bir PDE çözüm operatörünü frekans alanında nasıl parametreleştirdiği, opsiyon fiyatlandırması için ne satın aldığı ve hangi iddialarının hala gerçek donanım üzerinde ölçülmesi gerektiği.