क्रिप्टो पूर्वानुमान मॉडल बदलने की शर्तबद्ध नीति
सारांश
यह शोधपत्र नियमित रूप से दोबारा प्रशिक्षित होने वाली पूर्वानुमान प्रणालियों के लिए तैनाती नीति प्रस्तुत करता है: मौजूदा मॉडल को सेवा देते रहने दें, जबकि वार्म-स्टार्ट से दोबारा फिट किया गया चुनौतीकर्ता मॉडल सेवा-पथ से बाहर चलता है; फिर दोनों की तुलना बाद में उपलब्ध लेबलों के उसी अगले सप्ताह पर करें। चुनौतीकर्ता मॉडल मौजूदा मॉडल की जगह तभी लेता है, जब वह नेगेटिव लॉग लाइकलीहुड में तय युग्मित बढ़त हासिल करे। इसका उद्देश्य कैलेंडर के आधार पर स्वतः मॉडल बदलने से बचना है, क्योंकि नया फिट उस मॉडल से खराब हो सकता है जो सीखना जारी रखे हुए है।
दो अलग-अलग Binance अवधियों के ऐतिहासिक रीप्ले में, इस नीति ने कैलेंडर के अनुसार बदलाव, स्वतः पदोन्नति और निरंतर रखरखाव की तुलना में नेगेटिव लॉग लाइकलीहुड घटाया। इसमें कम नए मॉडल पदोन्नत हुए और तैनात मॉडल कम बार बदले। लेखकों ने अलग-अलग सीड, परीक्षण बजट, पदोन्नति सीमाओं, पहले के परिसंपत्ति समूह और एक पर्यवेक्षित उद्देश्य में दिशा की संगति बताई है। ये निर्दिष्ट क्रिप्टो परपेचुअल-फ़्यूचर अनुबंधों के रीप्ले परिणाम हैं; उपलब्ध विवरण लाइव तैनाती या अन्य बाज़ारों में प्रदर्शन स्थापित नहीं करता।
मुख्य विचार
- नीति, मौजूदा मॉडल को बदलने से पहले वार्म-स्टार्ट से दोबारा फिट किए गए चुनौतीकर्ता मॉडल का उसके साथ-साथ मूल्यांकन करती है।
- दोनों मॉडलों का आकलन बाद में उपलब्ध लेबलों के उसी अगले सप्ताह पर होता है।
- पदोन्नति के लिए नेगेटिव लॉग लाइकलीहुड में तय युग्मित सुधार ज़रूरी है।
- ऐतिहासिक रीप्ले में सूचीबद्ध तुलना नीतियों की तुलना में पूर्वानुमान के लॉस मेट्रिक में बेहतर परिणाम और तैनात मॉडल में कम बदलाव बताए गए हैं।
- बताई गई मज़बूती जाँचों में सीड, पदोन्नति सेटिंग, परिसंपत्ति समूह और एक अलग पर्यवेक्षित उद्देश्य शामिल हैं।
टैग
पूरा पाठ
# 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.
स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0
यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।