Deep dives into AI trading, market analysis, and the future of DeFi.
Browse collections →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?
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.
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.
Reconstructing trade direction from OHLCV, bar history, or venues without an aggressor flag — the classic rules, the stale-quote problem, bulk volume classification, and how to measure them against crypto's free ground truth.
Sequenzmodelle, die mit Tick-Daten gefüttert werden, gehen immer noch von regelmäßigen Abständen aus. Drei Möglichkeiten, einem Transformer mitzuteilen, wann tatsächlich ein Tick aufgetreten ist – kontinuierliche Codierung auf erlernbarer Zeitskala, latenter ODE-RNN-Zustand und delta_t als einfaches Merkmal – und die Ablation, die zwischen ihnen entscheidet.
Diese Serie hat den Preis für den Auswahlweg falsch bewertet – DSR bewertet den Gewinner, PBO bewertet die Suche. Beides ist nicht verwirrend: die Strategie, die Geld verdiente, weil sich die Volatilität in der Woche, in der Sie sie einsetzten, verdoppelte. Die synthetische Kontrollmethode erstellt ein gewichtetes Kontrafaktum aus einem Spenderpool unberührter Instrumente und liefert Ihnen ein Falsifikationskriterium und einen Placebo-p-Wert.
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.
