Nothing found. Try a different query.
Why matching volume distributions cannot validate synthetic LOB data: LOB-ID, exact counterexamples for depth and time, and a separate acceptance test for execution.
How pruning a scenario tree preserves average wealth while hiding drawdowns and Expected Shortfall. An exact Python example and checks for cost-aware rebalancing.
Does LLM debate add information? Recent research, an exact correlated-vote example, and a protocol comparing debate with independent forecasts under the same budget.
Test whether a strategy can survive its path: account-level collateral, maintenance margin, intraday prices and transfer timing, with a reproducible Python example.
How to validate generated option surfaces: penalties versus guarantees, total variance, executable butterflies, dynamic consistency, and a separate hedging acceptance test.
Shadow-PPOV предлагает ставить лимитную заявку вслед за наблюдаемой чужой: без модели стакана и прогноза fill, но с жесткими требованиями к order-ID, отменам и задержке.
L2 показывает объем на цене, но не FIFO-очередь. Работа о частичной идентификации исполнения измеряет, насколько правила распределения отмен меняют результат пассивного бэктеста.
Что меняется, когда финансовую foundation-модель дообучают данными из будущего: версии разных лет, point-in-time эталон, 18 из 20 ухудшений MSE и почему Sharpe 35 не лечится статистикой.
Почему спред - не вся экономика котировки бинарного контракта: риск расчета, перекос спроса, CLOB, AMM и границы, за которыми ликвидность перестает быть бесплатной услугой.
Почему финал события, решение оракула, запись payout в протоколе и погашение токена - разные часы, и как этот разрыв превращается в капиталовый и арбитражный риск.
Почему 7.6 млн комбинаторных объектов не равны 7.6 млн независимых рынков: три коллекции, 83 701 примитив, эффективное число около 720 и границы activity-метрик.
Практический разбор prop challenge: как читать лимиты, считать вероятность прохождения и выбирать размер позиции. Учебный пример, проверяемые расчеты и Python без зависимостей.
We ran a trend strategy across 15 crypto pairs, checked costs and access to future candles, and tested Jev separately. Where did profits appear, and why can't we promise them in live trading yet?
報酬方向分類器是不平衡問題，而 0.5 是錯誤的決策閾值。比較加密貨幣資料上的 scale_pos_weight、焦點損失與精確率約束閾值最佳化，以及 XGBoost、LightGBM 和 CatBoost 之間的工程差異。
DCC-GARCH tells you when crypto dependence tightens. Transfer entropy tells you which way it points. A directed information-flow measure, its null calibration, and an honest account of what it does and does not add over average pairwise correlation.
從 OHLCV、棒歷史資料或沒有攻擊方標記的交易場所重建交易方向——經典規則、過時報價問題、批量成交量分類，以及如何用加密市場免費提供的真實標籤測量 它們。
餵入逐筆資料的序列模型仍假設間隔規則。本文介紹三種告訴 Transformer 某筆成交實際發生時間的方法——可學習時間尺度的連續編碼、ODE-RNN 潛在狀態，以及把 delta_t 作為一般特徵——並以消融實驗決定它們之間的取捨。
This series has priced the selection route to a false edge — DSR prices the winner, PBO prices the search. Neither touches confounding: the strategy that made money because volatility doubled the week you deployed it. The Synthetic Control Method builds a weighted counterfactual from a donor pool of untouched instruments and gives you a falsification criterion and a placebo p-value.
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.
