Gesteuerter Austausch von Krypto-Prognosemodellen

Zusammenfassung

Die Studie stellt eine Einsatzregel für regelmäßig neu trainierte Prognosesysteme vor: Das aktuelle Modell bleibt im Einsatz, während ein neu angepasstes Herausforderermodell außerhalb des Produktivbetriebs läuft. Anschließend werden beide anhand derselben folgenden Woche mit verzögert verfügbaren Labels verglichen. Das Herausforderermodell ersetzt das aktuelle Modell nur, wenn es einen festgelegten gepaarten Vorsprung bei der negativen Log-Likelihood erreicht. So sollen automatische, kalenderbasierte Wechsel vermieden werden, wenn eine neue Anpassung schlechter sein könnte als ein Modell, das weiter gelernt hat.

Bei historischen Replays zweier separater Binance-Episoden verringerte die Regel die negative Log-Likelihood gegenüber einem kalenderbasierten Austausch, einer automatischen Beförderung und kontinuierlicher Wartung. Sie beförderte weniger Herausforderermodelle und verringerte die Zahl der Modellwechsel im Einsatz. Die Autoren berichten eine gleichgerichtete Entwicklung über verschiedene Zufallsstarts, Versuchsbudgets, Beförderungsschwellen, ein früheres Anlagenpanel und ein überwachtes Optimierungsziel hinweg. Dies sind Replay-Ergebnisse zu bestimmten Krypto-Perpetual-Futures-Kontrakten; die vorliegende Darstellung belegt keine Performance im Live-Einsatz oder in anderen Märkten.

Kernaussagen

• Die Regel bewertet ein neu angepasstes Herausforderermodell parallel zum weiter betriebenen aktuellen Modell, bevor sie es ersetzt.
• Beide Modelle werden anhand derselben folgenden Woche mit verzögert verfügbaren Labels bewertet.
• Eine Beförderung setzt eine festgelegte gepaarte Verbesserung der negativen Log-Likelihood voraus.
• Historische Replays berichten einen geringeren Prognoseverlust und weniger Modellwechsel im Einsatz als bei den genannten Vergleichsregeln.
• Die berichteten Robustheitsprüfungen umfassen Zufallsstarts, Beförderungseinstellungen, Anlagenpanels und ein anderes überwachtes Optimierungsziel.

Schlagwörter

# 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.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.