Approfondimenti sul trading con IA, l'analisi di mercato e il futuro della DeFi.
Browse collections →Nothing found. Try a different query.
Progettazione del kernel per serie temporali finanziarie - rugosità Matern, composizione periodica locale, miscele spettrali - e verosimiglianza marginale come regolarizzatore che non necessita di un set di validazione. Inoltre, l'elenco onesto di ciò che deve ancora essere misurato prima che tutto ciò sia commerciabile.
L'apprendimento degli operatori mappa interi spazi funzionali, non punti: come l'operatore neurale di Fourier parametrizza un operatore di soluzione PDE nello spazio delle frequenze, cosa acquista per il prezzo delle opzioni e quali delle sue affermazioni necessitano ancora di essere misurate su hardware reale.
Flash Attention rende computazionalmente gratuito un contesto di trading di 23.400 passaggi: affiancamento, softmax online e un limite IO di N ^ 2 d ^ 2 / M. Se quel contesto più lungo renda il modello migliore è una questione separata e deve essere misurato, non affermato.
Tre cose sugli insiemi di trading che questo blog non ha trattato: perché il termine di covarianza – e non il conteggio dei modelli – domina l'errore dell'insieme, come lo stacking funziona come uno strato di combinazione di segnali con meta-caratteristiche out-of-fold e se la compensazione del turnover tra molti segnali riduce effettivamente i costi di esecuzione.
Ogni modello in questo blog finora risponde 'cosa predice cosa'. Double ML risponde 'cosa causa cosa' — con un errore standard che puoi difendere. Il modello parzialmente lineare, ortogonalita di Neyman, cross-fitting purgato sui dati del order book e un resoconto onesto del perche un intervallo di confidenza DML valido sopravvive esattamente a una domanda pre-specificata.
Ogni backtest in questo blog stima una media condizionale. I causal forests stimano un effetto di trattamento condizionale invece — tau(x) invece di mu(x) — con honest splitting, una rappresentazione di pesi kernel adattivi e un test di calibrazione che ti dice se l'eterogeneita che hai trovato è reale.
Ogni regola di sizing in questo blog tratta l'incertezza come un unico numero. MC Dropout e i deep ensembles la dividono in ignoranza del modello e rumore di mercato — e entrambi meritano dimensioni di posizione diverse.