Remplacement conditionnel des modèles de prévision des cryptomonnaies

Résumé

L’article présente une politique de déploiement pour les systèmes de prévision réentraînés régulièrement : le modèle en place continue de fonctionner tandis qu’un modèle concurrent réajusté à chaud tourne hors du circuit de production ; les deux sont ensuite comparés sur la même semaine suivante de données étiquetées avec retard. Le modèle concurrent ne remplace le modèle en place que s’il dépasse un avantage apparié fixe en log-vraisemblance négative. L’objectif est d’éviter les remplacements automatiques selon le calendrier lorsqu’un nouvel ajustement peut être moins performant qu’un modèle qui a continué d’apprendre.

Lors de relectures historiques couvrant deux épisodes distincts sur Binance, la politique a réduit la log-vraisemblance négative par rapport au remplacement selon le calendrier, à la promotion automatique et à la maintenance continue. Elle a promu moins de modèles concurrents et réduit le nombre de changements de modèles déployés. Les auteurs rapportent une cohérence directionnelle selon les graines aléatoires, les budgets d’essais, les marges de promotion, un panel antérieur d’actifs et un objectif supervisé. Il s’agit de résultats de relecture sur des contrats à terme perpétuels de cryptomonnaies spécifiés ; le compte rendu fourni n’établit pas les performances en déploiement réel ni sur d’autres marchés.

Idées clés

• La politique évalue un modèle concurrent réajusté à chaud aux côtés du modèle en place maintenu avant de le remplacer.
• Les deux modèles sont évalués sur la même semaine suivante de données étiquetées avec retard.
• La promotion exige une amélioration appariée fixe de la log-vraisemblance négative.
• La relecture historique fait état d’une meilleure erreur de prévision et de moins de changements de modèles déployés que les politiques de comparaison indiquées.
• Les tests de robustesse rapportés portent sur les graines aléatoires, les paramètres de promotion, les panels d’actifs et un autre objectif supervisé.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.