Глубокое погружение в AI-трейдинг, анализ рынка и будущее DeFi.
Смотреть подборки →Nothing found. Try a different query.
Разработка ядра для финансовых временных рядов — шероховатость Матерна, локально-периодический состав, спектральные смеси — и предельное правдоподобие в качестве регуляризатора, не требующего набора проверки. Плюс честный список того, что еще нужно измерить, прежде чем что-либо из этого станет предметом торговли.
Обучение операторов отображает целые функциональные пространства, а не точки — как нейронный оператор Фурье параметризует оператор решения PDE в частотном пространстве, что это дает для ценообразования опционов и какие из его утверждений все еще требуют измерения на реальном оборудовании.
Flash Attention делает торговый контекст из 23 400 шагов вычислительно свободным — тайлинг, онлайн-софтмакс и граница ввода-вывода N^2 d^2 / M. Делает ли этот более длинный контекст модель лучше — это отдельный вопрос, и его нужно измерять, а не утверждать.
Три вещи о торговых ансамблях, которые не были освещены в этом блоге: почему термин ковариации, а не количество моделей, доминирует над ошибкой ансамбля, как стекирование работает как уровень комбинации сигналов с нестандартными мета-функциями и действительно ли объединение оборотов по множеству сигналов снижает стоимость исполнения.
Все модели в этом блоге до сих пор отвечали на вопрос 'что предсказывает что'. Double ML отвечает 'что вызывает что' — со стандартной ошибкой, которую можно защитить. Частично линейная модель, ортогональность Неймана, очищенное cross-fitting на данных ордербука и честный рассказ о том, почему валидный DML доверительный интервал выживает только для одного заранее специфицированного вопроса.
Каждый бэктест в этом блоге оценивает условное среднее. Causal forests оценивают условный эффект обработки вместо этого — tau(x) вместо mu(x) — с честным разделением, представлением адаптивных весов ядра и тестом калибровки, который говорит, реальна ли найденная гетерогенность.
Каждое правило определения размера позиции в этом блоге сводит неопределенность к одному числу. MC Dropout и глубокие ансамбли разделяют ее на незнание модели и рыночный шум — и эти два компонента заслуживают разных размеров позиций.