Phân tích chuyên sâu về AI trading, phân tích thị trường và tương lai của DeFi.
Browse collections →Nothing found. Try a different query.
Thiết kế hạt nhân cho chuỗi thời gian tài chính - Độ nhám của mẹ, thành phần định kỳ cục bộ, hỗn hợp quang phổ - và khả năng cận biên như một bộ điều chỉnh không cần bộ xác nhận. Cộng với danh sách trung thực về những gì vẫn phải được đo lường trước khi có thể giao dịch được.
Việc học của toán tử ánh xạ toàn bộ không gian chức năng chứ không phải điểm - cách Toán tử thần kinh Fourier tham số hóa toán tử giải pháp PDE trong không gian tần số, thứ gì mua để định giá tùy chọn và tuyên bố nào của nó vẫn cần đo lường trên phần cứng thực.
Flash Chú ý làm cho bối cảnh giao dịch gồm 23.400 bước không bị tính toán - xếp lớp, softmax trực tuyến và giới hạn IO là N^2 d^2 / M. Liệu bối cảnh dài hơn đó có làm cho mô hình tốt hơn hay không là một câu hỏi riêng biệt và nó phải được đo lường chứ không phải được khẳng định.
Ba điều về các nhóm giao dịch mà blog này chưa đề cập đến: tại sao thuật ngữ hiệp phương sai - không phải số lượng mô hình - lại chiếm ưu thế trong lỗi tổng hợp, cách xếp chồng hoạt động như một lớp kết hợp tín hiệu với các siêu tính năng ngoài màn hình và liệu doanh thu có thực sự giảm chi phí thực hiện hay không.
Mọi mô hình trên blog này cho đến nay trả lời 'cái gì dự báo cái gì'. Double ML trả lời 'cái gì gây ra cái gì' — với một sai số chuẩn mà bạn có thể bảo vệ. Mô hình từng phần tuyến tính, trực giao Neyman, cross-fitting đã được làm sạch trên dữ liệu sổ lệnh và một account trung thực về tại sao khoảng tin cậy DML hợp lệ sống sót chính xác qua một câu hỏi đã được chỉ định trước.
Mọi backtest trên blog này ước lượng một conditional mean. Rừng nhân quả ước lượng một conditional treatment effect thay thế — tau(x) thay vì mu(x) — với honest splitting, biểu diễn trọng số kernel thích ứng, và bài kiểm tra calibration cho bạn biết heterogeneous mà bạn tìm có thực không.
Mọi quy tắc sizing trên blog này thu gọn sự không chắc chắn thành một số vô hướng. MC Dropout và deep ensembles chia nó thành sự thiếu hiểu biết của mô hình và nhiễu thị trường — và cả hai đều xứng đáng với kích thước vị thế khác nhau.