ब्लॉग

वित्तीय समय श्रृंखला के लिए कर्नेल डिज़ाइन - मातृ खुरदरापन, स्थानीय रूप से आवधिक संरचना, वर्णक्रमीय मिश्रण - और एक नियमितकर्ता के रूप में सीमांत संभावना जिसे किसी सत्यापन सेट की आवश्यकता नहीं है। साथ ही व्यापार योग्य होने से पहले क्या-क्या मापा जाना बाकी है, इसकी ईमानदार सूची भी।

ऑपरेटर लर्निंग पूरे फ़ंक्शन स्पेस को मैप करता है, बिंदुओं को नहीं - फ़ोरियर न्यूरल ऑपरेटर फ़्रीक्वेंसी स्पेस में पीडीई सॉल्यूशन ऑपरेटर को कैसे पैरामीटराइज़ करता है, वह विकल्प मूल्य निर्धारण के लिए क्या खरीदता है, और उसके किन दावों को अभी भी वास्तविक हार्डवेयर पर मापने की आवश्यकता है।

फ्लैश अटेंशन 23,400-स्टेप ट्रेडिंग संदर्भ को कम्प्यूटेशनल रूप से मुक्त बनाता है - टाइलिंग, ऑनलाइन सॉफ्टमैक्स, और एन^2 डी^2 / एम का एक आईओ बाउंड। क्या वह लंबा संदर्भ मॉडल को बेहतर बनाता है यह एक अलग प्रश्न है, और इसे मापा जाना चाहिए, दावा नहीं किया जाना चाहिए।

ट्रेडिंग संयोजनों के बारे में तीन बातें इस ब्लॉग में शामिल नहीं की गई हैं: सहप्रसरण शब्द - मॉडल गणना नहीं - संयोजन त्रुटि पर हावी क्यों है, स्टैकिंग आउट-ऑफ-फोल्ड मेटा-फीचर्स के साथ सिग्नल-संयोजन परत के रूप में कैसे काम करती है, और क्या कई सिग्नलों में टर्नओवर नेटिंग वास्तव में निष्पादन लागत को कम करती है।

इस ब्लॉग का हर मॉडल अब तक यह उत्तर देता है 'क्या क्या की भविष्यवाणी करता है?'। डबल एमएल उत्तर देता है 'क्या क्या का कारण बनता है?' — एक मानक त्रुटि के साथ जिसे आप बचा सकते हैं। आंशिक रूप से रेखीय मॉडल, Neyman orthogonality, ऑर्डर बुक डेटा पर purged cross-fitting, और ईमानदार खाता कि एक मान्य DML विश्वास अंतराल केवल एक पूर्व-निर्धारित प्रश्न पर बना रहता है।

इस ब्लॉग पर हर बैकटेस्ट एक सशर्त माध्य का अनुमान लगाता है। कॉज़ुअल फ़ॉरेस्ट इसके बजाय एक सशर्त उपचार प्रभाव का अनुमान लगाते हैं — tau(x) mu(x) के बजाय — ईमानदार विभाजन, एक अनुकूली-कर्नेल वेट प्रतिनिधित्व और एक कैलिब्रेशन परीक्षण के साथ जो आपको बताता है कि क्या आपके द्वारा पाई गई विषमधर्मता वास्तविक है।

इस ब्लॉग में हर पोजिशन-साइज़िंग नियम अनिश्चितता को एक एकल संख्या मानता है। MC ड्रॉपआउट और डीप एनसेंबल्स इसे मॉडल अज्ञानता और बाज़ार शोर में विभाजित करते हैं — और दोनों को अलग-अलग पोजिशन आकार चाहिए।