Deep dives into AI trading, market analysis, and the future of DeFi.
Browse collections →Nothing found. Try a different query.
Projeto de kernel para séries temporais financeiras - rugosidade Matern, composição periódica local, misturas espectrais - e a probabilidade marginal como um regularizador que não precisa de conjunto de validação. Além da lista honesta do que ainda precisa ser medido antes que qualquer coisa seja negociável.
O aprendizado do operador mapeia espaços funcionais inteiros, não pontos – como o Operador Neural de Fourier parametriza um operador de solução PDE no espaço de frequência, o que ele compra para o preço das opções e quais de suas reivindicações ainda precisam ser medidas em hardware real.
Flash Attention torna um contexto de negociação de 23.400 etapas computacionalmente livre - lado a lado, softmax online e um limite IO de N ^ 2 d ^ 2 / M. Se esse contexto mais longo torna o modelo melhor é uma questão separada e deve ser medida, não afirmada.
Este blog não abordou três coisas sobre conjuntos de negociação: por que o termo de covariância - e não a contagem de modelos - domina o erro de conjunto, como o empilhamento funciona como uma camada de combinação de sinais com meta-recursos fora de dobra e se a compensação de rotatividade em muitos sinais realmente reduz o custo de execução.
Todos os modelos neste blog até agora respondem 'o que prediz o quê'. Double ML responde 'o que causa o quê' — com um erro padrão que você pode defender. O modelo parcialmente linear, ortogonalidade de Neyman, cross-fitting purgado em dados de livro de ordens e um relato honesto de por que um intervalo de confiança DML válido sobrevive exatamente a uma pergunta pré-especificada.
Cada backtest neste blog estima uma média condicional. Causal forests estimam um efeito de tratamento condicional em vez disso — tau(x) em vez de mu(x) — com honest splitting, uma representação de pesos de kernel adaptativo, e um teste de calibração que lhe diz se a heterogeneidade que você encontrou é real.
Todas as regras de dimensionamento de posição neste blog colapsam a incerteza em um escalar. MC Dropout e deep ensembles a dividem em ignorância do modelo e ruído de mercado — e esses dois merecem tamanhos de posição diferentes.