Penelitian mendalam tentang dagangan AI, analisis pasaran, dan masa depan DeFi.
Browse collections →Nothing found. Try a different query.
Reka bentuk kernel untuk siri masa kewangan — Kekasaran ibu, komposisi berkala setempat, campuran spektrum — dan kemungkinan kecil sebagai penyusun tetap yang tidak memerlukan set pengesahan. Selain itu senarai jujur tentang perkara yang masih perlu diukur sebelum mana-mana daripadanya boleh didagangkan.
Pembelajaran operator memetakan keseluruhan ruang fungsi, bukan titik — cara Operator Neural Fourier meparameterkan operator penyelesaian PDE dalam ruang frekuensi, perkara yang dibeli untuk penentuan harga opsyen, dan tuntutannya yang mana masih perlu diukur pada perkakasan sebenar.
Flash Attention menjadikan konteks dagangan 23,400 langkah bebas pengiraan — jubin, softmax dalam talian dan sempadan IO N^2 d^2 / M. Sama ada konteks yang lebih panjang itu menjadikan model itu lebih baik ialah soalan yang berasingan, dan ia perlu diukur, bukan ditegaskan.
Tiga perkara mengenai ensembel perdagangan yang blog ini tidak meliputi: mengapa istilah kovarians — bukan kiraan model — mendominasi ralat ensembel, cara tindanan berfungsi sebagai lapisan gabungan isyarat dengan ciri meta luar lipatan, dan sama ada jaringan pusing ganti merentas banyak isyarat sebenarnya mengurangkan kos pelaksanaan.
Semua model dalam blog ini setak ini menjawab 'apa meramalkan apa'. Double ML menjawab 'apa menyebabkan apa' — dengan ralat standard yang boleh anda pertahankan. Model separa linear, ortogonality Neyman, cross-fitting yang dibersihkan pada data buku pesanan, dan akaun jujur tentang mengapa selang keyakinan DML yang sah bertahan tepat untuk satu soalan pra-specified.
Setiap backtest dalam blog ini menganggar purata bersyarat. Causal forests menganggar kesan rawak bersyarat sebaliknya — tau(x) bukan mu(x) — dengan honest splitting, perwakilan berat kernel adaptif, dan ujian kalibrasi yang memberitahu anda sama ada heterogenitas yang anda jumpa adalah nyata.
Setiap peraturan saiz kedudukan dalam blog ini meruntuhkan ketidakpastian kepada satu skalar. MC Dropout dan ansambl dalam membahagikannya kepada kejahilan model dan hingar pasaran — dan kedua-duanya memerlukan saiz kedudukan yang berbeza.