部落格

算子學習映射整個函數空間，而不是點——傅立葉神經算子如何在頻率空間中參數化 PDE 解算子，為選擇權定價購買什麼，以及它的哪些主張仍然需要在真實硬體上測量。

Flash Attention 讓 23,400 步驟的交易上下文無需計算——平鋪、線上 softmax 和 N^2 d^2 / M 的 IO 界限。更長的上下文是否使模型更好是一個單獨的問題，它必須被測量，而不是斷言。

本部落格未涵蓋有關交易整合的三件事：為什麼協方差項（而不是模型計數）在整合誤差中占主導地位，堆疊如何作為具有折疊元特徵的訊號組合層工作，以及跨多個訊號的周轉淨額是否真正降低了執行成本。

本博客至今所有模型回答「什麼預測什麼」。Double ML 回答「什麼導致什麼」——帶有可辯護的標準誤。部分線性模型、Neyman 正交性、order book 數據上的清理交叉擬合，以及為何有效 DML 信賴區間僅對一個預先指定的問題成立的誠實說明。

本博客每個回測估計條件平均值。因果森林估計條件治療效果 — tau(x) 而非 mu(x) — 具有誠實分裂、自適應核權重表示以及告訴您發現的異質性是否真實的校準測試。

本博客的每個位置 sizing 規則都把不確定性坍縮成單一純量。MC Dropout 和深度集成將其拆分為模型無知與市場噪聲——這兩者值得不同的 position size。

自動特徵生成（tsfresh、Featuretools）、具預算感知的模型搜尋（FLAML 的節省成本最佳化器），以及 WorldQuant 公式化 alpha 工廠——本部落格搜尋與過度擬合系列尚未涵蓋的研究流程部分，以及該系列自身結果對它們的啟示。