Deep dives into AI trading, market analysis, and the future of DeFi.
Browse collections →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?
Return-direction classifiers are imbalanced problems, and 0.5 is the wrong decision threshold. Comparing scale_pos_weight, focal loss, and precision-constrained threshold optimization on crypto data — plus the engineering differences between XGBoost, LightGBM, and CatBoost.
DCC-GARCH tells you when crypto dependence tightens. Transfer entropy tells you which way it points. A directed information-flow measure, its null calibration, and an honest account of what it does and does not add over average pairwise correlation.
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.
Os modelos de sequência alimentados com dados de ticks ainda assumem espaçamento regular. Três maneiras de informar a um Transformer quando um tick realmente aconteceu - codificação contínua em escala de tempo que pode ser aprendida, estado latente ODE-RNN e delta_t como um recurso simples - e a ablação que decide entre eles.
Esta série precificou a rota de seleção até uma vantagem falsa - o DSR avalia o vencedor, o PBO avalia a pesquisa. Nenhum dos dois toca em confusão: a estratégia que rendeu dinheiro porque a volatilidade dobrou na semana em que você a implementou. O Método de Controle Sintético constrói um cenário contrafactual ponderado a partir de um conjunto de doadores de instrumentos intocados e fornece um critério de falsificação e um valor p placebo.
Como avaliar honestamente uma distribuição preditiva - CRPS como uma regra de pontuação adequada, o histograma PIT como um diagnóstico de calibração e amostragem DeepAR em GluonTS.
