Pembahasan mendalam tentang AI trading, analisis pasar, dan masa depan DeFi.
Browse collections →Nothing found. Try a different query.
Desain kernel untuk deret waktu keuangan — Kekasaran matern, komposisi periodik lokal, campuran spektral — dan kemungkinan marjinal sebagai pengatur yang tidak memerlukan set validasi. Ditambah daftar jujur tentang apa yang masih harus diukur sebelum dapat diperdagangkan.
Pembelajaran operator memetakan seluruh ruang fungsi, bukan titik — bagaimana Fourier Neural Operator membuat parameter operator solusi PDE dalam ruang frekuensi, apa yang dibeli untuk harga opsi, dan klaim mana yang masih perlu diukur pada perangkat keras sebenarnya.
Flash Attention menjadikan konteks perdagangan 23.400 langkah bebas komputasi — ubin, softmax online, dan batasan IO sebesar N^2 d^2 / M. Apakah konteks yang lebih panjang tersebut menjadikan model lebih baik adalah pertanyaan terpisah, dan harus diukur, bukan ditegaskan.
Tiga hal tentang ansambel perdagangan yang belum dibahas di blog ini: mengapa istilah kovarians — bukan jumlah model — mendominasi kesalahan ansambel, bagaimana penumpukan berfungsi sebagai lapisan kombinasi sinyal dengan fitur meta yang tidak dapat dilipat, dan apakah jaring omset di banyak sinyal benar-benar mengurangi biaya eksekusi.
Setiap model di blog ini menjawab 'apa yang memprediksi apa?'. Double ML menjawab 'apa yang menyebabkan apa?' — dengan standar error yang bisa Anda pertahankan. Model partially linear, orthogonalitas Neyman, cross-fitting yang dipurges pada data order book, dan perhitungan jujur mengapa interval kepercayaan DML yang valid bertahan untuk tepat satu pertanyaan yang telah ditentukan sebelumnya.
Setiap backtest di blog ini memperkirakan rata-rata bersyarat. Causal forests memperkirakan efek perawatan bersyarat sebagai gantinya — tau(x) bukan mu(x) — dengan honest splitting, representasi bobot kernel adaptif, dan tes kalibrasi yang memberi tahu Anda apakah heterogenitas yang Anda temukan nyata.
Setiap aturan sizing di blog ini memperlakukan ketidakpastian sebagai satu angka. MC Dropout dan deep ensembles membaginya menjadi ketidaktahuan model dan noise pasar — dan keduanya layak mendapat ukuran posisi yang berbeda.