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.
Conception de noyau pour les séries temporelles financières — rugosité de Matern, composition localement périodique, mélanges spectraux — et vraisemblance marginale en tant que régulariseur qui ne nécessite aucun ensemble de validation. Plus la liste honnête de ce qui doit encore être mesuré avant que tout cela soit échangeable.
L'apprentissage des opérateurs cartographie des espaces de fonctions entiers, pas des points - comment l'opérateur neuronal de Fourier paramétre un opérateur de solution PDE dans l'espace de fréquence, ce qu'il achète pour la tarification des options et lesquelles de ses affirmations doivent encore être mesurées sur du matériel réel.
Flash Attention crée un contexte de trading de 23 400 étapes sans calcul : mosaïque, softmax en ligne et limite d'E/S de N^2 d^2 / M. La question de savoir si ce contexte plus long améliore le modèle est une question distincte, et elle doit être mesurée et non affirmée.
Trois choses sur les ensembles commerciaux que ce blog n'a pas abordées : pourquoi le terme de covariance (et non le nombre de modèles) domine l'erreur d'ensemble, comment l'empilement fonctionne comme une couche de combinaison de signaux avec des méta-fonctionnalités hors du champ de pli, et si la compensation du chiffre d'affaires sur de nombreux signaux réduit réellement le coût d'exécution.
Tous les modèles de ce blog répondent jusqu'à présent 'qu'est-ce qui prédit quoi ?'. Double ML répond 'qu'est-ce qui cause quoi ?' — avec une erreur standard que vous pouvez défendre. Le modèle partiellement linéaire, l'orthogonalité de Neyman, le cross-fitting purgé sur les données de carnet d'ordres et un compte rendu honnête de la raison pour laquelle un intervalle de confiance DML valide survit à exactement une question prédéfinie.
Chaque backtest sur ce blog estime une moyenne conditionnelle. Les forêts causales estiment un effet de traitement conditionnel à la place — tau(x) plutôt que mu(x) — avec un splitting honnête, une représentation de poids de noyau adaptatif et un test de calibration qui vous dit si l'hétérogénéité que vous avez trouvée est réelle.
Chaque règle de dimensionnement dans ce blog traite l'incertitude comme un seul nombre. MC Dropout et les deep ensembles la divisent en ignorance du modèle et bruit de marché — et les deux méritent des tailles de position différentes.