コンテンツへスキップ
ライブラリの全資料

暗号資産予測モデルの先送り条件付き入れ替え

記事 arXiv papers · 著者: Aditya Dutta
原文を読む

サマリー

定期的に再学習する予測システム向けの展開方針を紹介します。既存モデルの提供を続けながら、ウォーム再適合した候補モデルを提供経路の外で稼働させ、その後に遅れて得られる同じ次週のラベルで両方を比較します。候補モデルが固定されたペア比較で負の対数尤度の優位性を超えた場合に限り、既存モデルと入れ替えます。新しい適合モデルが継続学習したモデルより劣る可能性があるときに、暦に基づいて自動的に入れ替えることを避ける狙いがあります。

Binanceの別々の2期間に関する過去データのリプレイでは、この方針は暦による入れ替え、自動昇格、継続的な保守に比べ、負の対数尤度を低下させました。昇格した候補モデルは少なく、運用モデルの変更も減りました。著者らは乱数シード、試行予算、昇格マージン、以前の資産パネル、教師あり目的関数を変えた場合にも、結果の方向性が一貫したと報告しています。これらは指定された暗号資産の無期限先物契約に関するリプレイ結果であり、実運用や他の市場でのパフォーマンスを立証するものではありません。

主なアイデア

  • 既存モデルを維持しながら、ウォーム再適合した候補モデルを評価してから入れ替えます。
  • 両モデルを、遅れて得られる同じ次週のラベルで評価します。
  • 昇格には、負の対数尤度における固定されたペア比較での改善が必要です。
  • 過去データのリプレイでは、挙げられた比較方針より予測損失が低く、運用モデルの変更も少なかったと報告されています。
  • 報告された頑健性検証では、乱数シード、昇格設定、資産パネル、異なる教師あり目的関数を検討しています。

タグ

暗号資産機械学習バックテスト無期限先物
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。