← 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
    Phương pháp tập hợp: Kết hợp những người học yếu để có Alpha mạnh mẽ
    Aug 3, 2026 #machine-learning

    Phương pháp tập hợp: Kết hợp những người học yếu để có Alpha mạnh mẽ

    Ba điều về các nhóm giao dịch mà blog này chưa đề cập đến: tại sao thuật ngữ hiệp phương sai - không phải số lượng mô hình - lại chiếm ưu thế trong lỗi tổng hợp, cách xếp chồng hoạt động như một lớp kết hợp tín hiệu với các siêu tính năng ngoài màn hình và liệu doanh thu có thực sự giảm chi phí thực hiện hay không.
  3. 03
    AutoML cho Quy trình Giao dịch Có hệ thống
    Jul 30, 2026 #AutoML

    AutoML cho Quy trình Giao dịch Có hệ thống

    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
    Phát Hiện Bất Thường để Bảo Vệ Bot Giao Dịch: Từ Z-Score đến Transformer
    Feb 19, 2026 #algo trading

    Phát Hiện Bất Thường để Bảo Vệ Bot Giao Dịch: Từ Z-Score đến Transformer

    Những phương pháp phát hiện bất thường nào thực sự hoạt động trong giao dịch thuật toán crypto, cách xây dựng kiến trúc bảo vệ theo tầng, và tại sao đây là nền tảng mà thiếu nó thì algo trading chẳng khác gì cờ bạc.
  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
    Bối cảnh cả ngày có đánh bại được bối cảnh mười phút không? Sự chú ý chớp nhoáng và câu hỏi về độ dài trình tự
    Aug 4, 2026 #deep-learning

    Bối cảnh cả ngày có đánh bại được bối cảnh mười phút không? Sự chú ý chớp nhoáng và câu hỏi về độ dài trình tự

    Flash Chú ý làm cho bối cảnh giao dịch gồm 23.400 bước không bị tính toán - xếp lớp, softmax trực tuyến và giới hạn IO là N^2 d^2 / M. Liệu bối cảnh dài hơn đó có làm cho mô hình tốt hơn hay không là một câu hỏi riêng biệt và nó phải được đo lường chứ không phải được khẳng định.
  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
    Quy trình Gaussian cho mô hình hóa giá phi tham số
    Aug 6, 2026 #bayesian

    Quy trình Gaussian cho mô hình hóa giá phi tham số

    Thiết kế hạt nhân cho chuỗi thời gian tài chính - Độ nhám của mẹ, thành phần định kỳ cục bộ, hỗn hợp quang phổ - và khả năng cận biên như một bộ điều chỉnh không cần bộ xác nhận. Cộng với danh sách trung thực về những gì vẫn phải được đo lường trước khi có thể giao dịch được.
  12. 12
    Epistemic vs Aleatoric: Đo lường những gì mô hình trả lời không biết
    Jul 31, 2026 #bayesian

    Epistemic vs Aleatoric: Đo lường những gì mô hình trả lời không biết

    Mọi quy tắc sizing trên blog này thu gọn sự không chắc chắn thành một số vô hướng. MC Dropout và deep ensembles chia nó thành sự thiếu hiểu biết của mô hình và nhiễu thị trường — và cả hai đều xứng đáng với kích thước vị thế khác nhau.
  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
    Mạng lưới thần kinh Hamilton: Hệ thống tài chính có bảo toàn được gì không?
    Aug 8, 2026 #deep-learning

    Mạng lưới thần kinh Hamilton: Hệ thống tài chính có bảo toàn được gì không?

    Mạng lưới thần kinh Hamilton được chứng minh là ổn định - nhưng sự ổn định sẽ vô giá trị nếu số lượng được bảo toàn không tồn tại. Học một H vô hướng thông qua autograd, tích hợp đối xứng và kiểm tra độ sai lệch để quyết định xem một cặp tài chính (q, p) có hợp quy hay không.
  15. 15
    Toán tử thần kinh Fourier cho mô hình tài chính dựa trên PDE
    Aug 5, 2026 #deep-learning

    Toán tử thần kinh Fourier cho mô hình tài chính dựa trên PDE

    Việc học của toán tử ánh xạ toàn bộ không gian chức năng chứ không phải điểm - cách Toán tử thần kinh Fourier tham số hóa toán tử giải pháp PDE trong không gian tần số, thứ gì mua để định giá tùy chọn và tuyên bố nào của nó vẫn cần đo lường trên phần cứng thực.