استبدال نماذج التوقع للعملات الرقمية ببوابة اختبار

الملخص

تعرض الورقة سياسة لنشر أنظمة التوقع التي يعاد تدريبها بانتظام: يبقى النموذج المعتمد قيد التشغيل بينما يعمل نموذج منافس أُعيدت ملاءمته بتهيئة دافئة خارج مسار التشغيل، ثم يُقارن النموذجان خلال الأسبوع اللاحق نفسه باستخدام التسميات المتأخرة. ولا يحل النموذج المنافس محل النموذج المعتمد إلا إذا حقق تفوقا مزدوجا محددا في سالب لوغاريتم الاحتمالية. ويهدف ذلك إلى تجنب الاستبدال التلقائي وفق التقويم حين قد يكون الملاءم الجديد أسوأ من نموذج واصل التعلم.

في إعادة تشغيل تاريخية لحالتين منفصلتين على Binance، خفضت السياسة سالب لوغاريتم الاحتمالية مقارنة بالاستبدال وفق التقويم والترقية التلقائية والصيانة المستمرة. كما رقّت عددا أقل من النماذج المنافسة وخفضت عدد تغييرات النماذج المنشورة. ويفيد المؤلفون باتساق اتجاه النتائج عبر البذور وميزانيات التجارب وهوامش الترقية ولوحة أصول أقدم وهدف إشرافي. هذه نتائج إعادة تشغيل لعقود آجلة دائمة محددة للعملات الرقمية؛ ولا يثبت العرض المتاح الأداء عند النشر الفعلي أو في أسواق أخرى.

الأفكار الرئيسية

• تقيّم السياسة نموذجا منافسا أُعيدت ملاءمته بتهيئة دافئة إلى جانب النموذج المعتمد الذي تتم صيانته قبل استبداله.
• يُقيّم النموذجان على الأسبوع التالي نفسه من التسميات المتأخرة.
• تتطلب الترقية تحسنا مزدوجا ثابتا في سالب لوغاريتم الاحتمالية.
• تفيد إعادة التشغيل التاريخية بتحسن خسارة التوقعات وقلة تغييرات النماذج المنشورة مقارنة بسياسات المقارنة المذكورة.
• تشمل فحوص المتانة المذكورة البذور وإعدادات الترقية ولوحات الأصول وهدفا إشرافيا مختلفا.

الوسوم

# Train Often, Deploy Selectively: Forward-Gated Model Replacement in Crypto Markets


# Train Often, Deploy Selectively: Forward-Gated Model Replacement in Crypto Markets









Production forecasting systems retrain models regularly, but a retrained candidate does not necessarily outperform a continuously maintained incumbent that has continued to learn. We introduce Shadow Before Swap (SBS), a deployment policy that warm-refits a challenger off the serving path, evaluates it against the maintained incumbent on the same next week of delayed labels, and promotes it only after a fixed paired negative-log-likelihood (NLL) advantage. In historical replay over two nonoverlapping Binance episodes spanning 48 UTC weeks, three seeds, eight underlyings, and two perpetual-futures contract types, SBS reduces NLL by 0.1472% relative to calendar replacement, 0.0755% relative to schedule-matched automatic promotion, and 0.0428% relative to continuous maintenance. The corresponding episode-stratified four-week block intervals are 0.1139%-0.1754%, 0.0521%-0.0980%, and 0.0301%-0.0554%, respectively. SBS promotes 114 of 528 challengers, reducing deployed model changes by 78.4% while improving the serving trajectory. The effect remains directionally consistent across seeds, trial budgets, promotion margins, an earlier 20-asset panel, and a topology-matched supervised objective. SBS thus provides a practical deployment policy that improves probabilistic forecasts while limiting consequential model-state transitions.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.