Sustitución condicionada de modelos de previsión cripto

Resumen

El artículo presenta una política de despliegue para sistemas de previsión que se reentrenan con regularidad: mantiene en servicio el modelo actual mientras un modelo candidato reajustado en caliente se ejecuta fuera de la ruta de servicio; después compara ambos con la misma semana posterior de etiquetas retrasadas. El candidato sustituye al modelo actual solo si supera una ventaja emparejada fija en la pérdida logarítmica negativa. El objetivo es evitar cambios automáticos según el calendario cuando un nuevo ajuste puede ser peor que un modelo que ha seguido aprendiendo.

En reproducciones históricas de dos episodios independientes de Binance, la política redujo la pérdida logarítmica negativa frente a la sustitución por calendario, la promoción automática y el mantenimiento continuo. Promovió menos candidatos y redujo los cambios de modelos desplegados. Los autores comunican coherencia direccional en distintas semillas, presupuestos de pruebas, márgenes de promoción, un panel de activos anterior y un objetivo supervisado. Son resultados de reproducción sobre contratos especificados de futuros perpetuos cripto; el informe proporcionado no demuestra el rendimiento en un despliegue en vivo ni en otros mercados.

Ideas clave

• La política evalúa un candidato reajustado en caliente junto al modelo actual antes de sustituirlo.
• Ambos modelos se evalúan con la misma semana siguiente de etiquetas retrasadas.
• La promoción exige una mejora emparejada fija en la pérdida logarítmica negativa.
• La reproducción histórica comunica una menor pérdida de previsión y menos cambios de modelos desplegados frente a las políticas de comparación indicadas.
• Las comprobaciones de robustez comunicadas abarcan semillas, parámetros de promoción, paneles de activos y otro objetivo supervisado.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.