Nothing found. Try a different query.
Why matching volume distributions cannot validate synthetic LOB data: LOB-ID, exact counterexamples for depth and time, and a separate acceptance test for execution.
How pruning a scenario tree preserves average wealth while hiding drawdowns and Expected Shortfall. An exact Python example and checks for cost-aware rebalancing.
Does LLM debate add information? Recent research, an exact correlated-vote example, and a protocol comparing debate with independent forecasts under the same budget.
Test whether a strategy can survive its path: account-level collateral, maintenance margin, intraday prices and transfer timing, with a reproducible Python example.
How to validate generated option surfaces: penalties versus guarantees, total variance, executable butterflies, dynamic consistency, and a separate hedging acceptance test.
Shadow-PPOV предлагает ставить лимитную заявку вслед за наблюдаемой чужой: без модели стакана и прогноза fill, но с жесткими требованиями к order-ID, отменам и задержке.
L2 показывает объем на цене, но не FIFO-очередь. Работа о частичной идентификации исполнения измеряет, насколько правила распределения отмен меняют результат пассивного бэктеста.
Что меняется, когда финансовую foundation-модель дообучают данными из будущего: версии разных лет, point-in-time эталон, 18 из 20 ухудшений MSE и почему Sharpe 35 не лечится статистикой.
Почему спред - не вся экономика котировки бинарного контракта: риск расчета, перекос спроса, CLOB, AMM и границы, за которыми ликвидность перестает быть бесплатной услугой.
Почему финал события, решение оракула, запись payout в протоколе и погашение токена - разные часы, и как этот разрыв превращается в капиталовый и арбитражный риск.
Почему 7.6 млн комбинаторных объектов не равны 7.6 млн независимых рынков: три коллекции, 83 701 примитив, эффективное число около 720 и границы activity-метрик.
Практический разбор prop challenge: как читать лимиты, считать вероятность прохождения и выбирать размер позиции. Учебный пример, проверяемые расчеты и Python без зависимостей.
We ran a trend strategy across 15 crypto pairs, checked costs and access to future candles, and tested Jev separately. Where did profits appear, and why can't we promise them in live trading yet?
リターン方向分類器は不均衡な問題であり、0.5 は正しい決定しきい値ではありません。暗号資産データで scale_pos_weight、焦点損失、精度制約付きしき い値最適化を比較し、XGBoost、LightGBM、CatBoost のエンジニアリング上の違いも説明します。
DCC-GARCH は暗号資産の依存関係がいつ強まるかを示す。転送エントロピーはその方向を示す。方向付き情報フローの指標、そ の帰無校正、そして平均ペア相関を超えて何を加えられるか、何を加えられないかを正直に説明する。
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.
Sequence models fed tick data still assume regular spacing. Three ways to tell a Transformer when a tick actually happened — learnable-timescale continuous encoding, ODE-RNN latent state, and delta_t as a plain feature — and the ablation that decides between them.
このシリーズでは、偽のエッジへ至る選択経路を評価してきた——DSR は勝者を、PBO は探索を評価する。しかし交絡には触れていない。導入し た週にボラティリティが倍になったために利益を出した戦略だ。合成コントロール法は、手を加えていない銘柄のドナープールから重み付き反実仮想を作り、反証基準とプラセボ p 値を与える。
予測分布を正直に評価する方法——適正スコアリングルールとしての CRPS、キャリブレーション診断としての PIT ヒストグラム、そして GluonTS における DeepAR サンプリング。
