Exploration approfondie du trading par IA, de l'analyse de marché et de l'avenir de la DeFi.
Browse collections →Nothing found. Try a different query.
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.
Les modèles de séquence alimentés par les données de ticks supposent toujours un espacement régulier. Trois façons d'indiquer à un transformateur quand un tick s'est réellement produit - codage continu à échelle de temps apprenable, état latent ODE-RNN et delta_t en tant que fonctionnalité simple - et l'ablation qui décide entre elles.
Cette série a évalué la voie de sélection à un faux avantage : le DSR fixe le prix du gagnant, le DPB fixe le prix de la recherche. Ni l’une ni l’autre ne touche à la confusion : la stratégie qui a rapporté de l’argent parce que la volatilité a doublé la semaine où vous l’avez déployée. La méthode de contrôle synthétique construit un contrefactuel pondéré à partir d'un pool de donneurs d'instruments intacts et vous donne un critère de falsification et une valeur p placebo.
Comment évaluer honnêtement une distribution prédictive : le CRPS comme règle de notation appropriée, l'histogramme PIT comme diagnostic d'étalonnage et l'échantillonnage DeepAR dans GluonTS.
Placer les PDE de tarification Heston, à frontière libre et à diffusion par saut dans une perte de réseau neuronal - le résidu de prix logarithmique, l'astuce d'autogradation mixte-partielle et ce qui doit encore être mesuré.
How PCMCI's two-stage MCI test recovers directed causal links between crypto assets where correlation and bivariate Granger cannot — the construction, the tigramite pipeline, and the real-data study it still needs.
Turning raw book updates into a signed flow quantity: the CKS event decomposition, multi-level OFI with PCA reduction, and Lee-Ready trade classification — plus an honest accounting of what the headline R-squared actually measures.
Neural ODEs, Neural SDEs and continuous normalizing flows for irregularly-sampled market data — and the one ablation that decides whether continuous dynamics are worth their solver cost.
Does jointly predicting return, volume, and volatility actually help? Measuring loss-balancing schemes and diagnosing negative transfer through gradient cosine similarity — with a classical baseline and purged walk-forward folds.
Magnitude and structured pruning, the Lottery Ticket Hypothesis, movement pruning, distillation and 2:4 sparsity — the methods behind shrinking a trading model, and what still has to be measured before any of it ships.
