Blog

Kernelontwerp voor financiële tijdreeksen – moederruwheid, lokaal periodieke samenstelling, spectrale mengsels – en de marginale waarschijnlijkheid als regularisator die geen validatieset nodig heeft. Plus de eerlijke lijst van wat er nog gemeten moet worden voordat het verhandelbaar is.

Operator learning brengt hele functieruimten in kaart, geen punten – hoe de Fourier Neural Operator een PDE-oplossingsoperator parameteriseert in frequentieruimte, wat die koopt voor optieprijzen, en welke van zijn claims nog steeds moeten worden gemeten op echte hardware.

Flash Attention maakt een handelscontext van 23.400 stappen rekenvrij: tiling, online softmax en een IO-grens van N^2 d^2 / M. Of die langere context het model beter maakt, is een aparte vraag, en die moet worden gemeten en niet worden beweerd.

Drie dingen over handelsensembles die deze blog niet heeft behandeld: waarom de covariantieterm – en niet het aantal modellen – de ensemblefout domineert, hoe stapelen werkt als een signaalcombinatielaag met out-of-fold meta-functies, en of het verrekenen van omzet over veel signalen daadwerkelijk de uitvoeringskosten verlaagt.

Alle modellen in deze blog tot nu toe beantwoorden 'wat voorspelt wat'. Double ML beantwoordt 'wat veroorzaakt wat' — met een standaardfout die je kunt verdedigen. Het gedeeltelijk lineaire model, Neyman-orthogonaliteit, purged cross-fitting op orderbook-data en een eerlijk verslag van waarom een geldig DML betrouwbaarheidsinterval precies één vooraf gespecificeerde vraag overleeft.

Elke backtest op deze blog schat een voorwaardelijk gemiddelde. Causal forests schatten in plaats daarvan een voorwaardelijk behandelingseffect — tau(x) in plaats van mu(x) — met honest splitting, een adaptieve kernel gewichtsrepresentatie, en een calibratietest die je vertelt of de gevonden heterogeniteit echt is.

Elke positiegrootel op deze blog reduceert onzekerheid tot één scalair. MC Dropout en deep ensembles splitsen het in modelonwetendheid en marktgeruis — en die twee verdienen verschillende posities.