Inmersiones profundas en el trading con IA, análisis de mercado y el futuro de DeFi.
Browse collections →Nothing found. Try a different query.
Diseño de kernel para series de tiempo financieras (rugosidad materna, composición periódica local, mezclas espectrales) y la probabilidad marginal como regularizador que no necesita conjunto de validación. Además de la lista honesta de lo que aún debe medirse antes de que algo sea comercializable.
El aprendizaje del operador mapea espacios funcionales completos, no puntos: cómo el operador neuronal de Fourier parametriza un operador de solución PDE en el espacio de frecuencia, qué compra para el precio de opciones y cuáles de sus afirmaciones aún necesitan medirse en hardware real.
Flash Attention hace que un contexto comercial de 23,400 pasos sea computacionalmente libre: mosaico, softmax en línea y un límite de IO de N^2 d^2 / M. Si ese contexto más largo mejora el modelo es una cuestión aparte, y debe medirse, no afirmarse.
Tres cosas sobre el comercio de conjuntos que este blog no ha cubierto: por qué el término de covarianza (no el recuento de modelos) domina el error del conjunto, cómo funciona el apilamiento como una capa de combinación de señales con metacaracterísticas desplegadas y si la compensación de rotación entre muchas señales en realidad reduce el costo de ejecución.
Todos los modelos en este blog hasta ahora responden 'que predice que'. Double ML responde 'que causa que' — con un error estandar que puedes defender. El modelo parcialmente lineal, ortogonalidad de Neyman, cross-fitting purgado en datos de libro de ordenes y un relato honesto de por que un intervalo de confianza DML valido sobrevive exactamente a una pregunta preespecificada.
Cada backtest en este blog estima una media condicional. Los bosques causales estiman un efecto de tratamiento condicional en su lugar — tau(x) en lugar de mu(x) — con división honesta, una representación de pesos de núcleo adaptativo y una prueba de calibración que te dice si la heterogeneidad que encontraste es real.
Cada regla de dimensionamiento en este blog trata la incertidumbre como un solo número. MC Dropout y los deep ensembles la dividen en ignorancia del modelo y ruido de mercado — y ambos merecen tamaños de posición diferentes.