Deep dives into AI trading, market analysis, and the future of DeFi.
Browse collections →Nothing found. Try a different query.
Das Lernen von Operatoren bildet ganze Funktionsräume ab, nicht Punkte – wie der neuronale Fourier-Operator einen PDE-Lösungsoperator im Frequenzraum parametrisiert, was er für die Optionspreisgestaltung kauft und welche seiner Ansprüche noch auf realer Hardware gemessen werden müssen.
Flash Attention macht einen Handelskontext mit 23.400 Schritten rechenfrei – Kacheln, Online-Softmax und eine IO-Grenze von N^2 d^2 / M. Ob dieser längere Kontext das Modell besser macht, ist eine separate Frage und muss gemessen und nicht behauptet werden.
Drei Dinge über den Handel mit Ensembles wurden in diesem Blog nicht behandelt: Warum der Kovarianzterm – und nicht die Modellanzahl – den Ensemblefehler dominiert, wie Stacking als Signalkombinationsschicht mit Out-of-Fold-Metafunktionen funktioniert und ob die Umsatzverrechnung über viele Signale hinweg tatsächlich die Ausführungskosten senkt.
Jedes Modell in diesem Blog beantwortet bislang 'was sagt was voraus?'. Double ML beantwortet 'was verursacht was?' — mit einem Standardfehler, den Sie verteidigen können. Das partiell lineare Modell, Neyman-Orthogonalität, purgiertes Cross-Fitting auf Orderbuchdaten und eine ehrliche Darstellung, warum ein gültiges DML-Konfidenzintervall genau einer vorab spezifizierten Frage standhält.
Jedes Backtest in diesem Blog schätzt einen bedingten Mittelwert. Causal Forests schätzen stattdessen einen bedingten Behandlungseffekt — tau(x) statt mu(x) — mit honest splitting, einer adaptiven Kernel-Gewichtsdarstellung und einem Kalibrierungstest, der Ihnen sagt, ob die gefundene Heterogenität echt ist.
Jede Positionsgrößen-Regel in diesem Blog behandelt Unsicherheit als eine einzige Zahl. MC Dropout und Deep Ensembles teilen sie in Modellunwissen und Marktgeräusche auf — und beide verdienen unterschiedliche Positionsgrößen.
Automatisierte Feature-Generierung (tsfresh, Featuretools), budgetbewusste Modellsuche (der kostensparende Optimierer von FLAML) und die WorldQuant-Formel-Alpha-Fabrik – die Teile der Forschungspipeline, die im Such- und Overfit-Bogen dieses Blogs nie behandelt wurden, und was die eigenen Ergebnisse des Bogens über sie aussagen.