본문으로 건너뛰기
라이브러리 문서 전체

암호화폐 예측 모델의 조건부 교체

기사 arXiv papers · 저자: Aditya Dutta
원문 읽기

요약

이 논문은 정기적으로 재학습하는 예측 시스템의 배포 정책을 소개합니다. 현재 모델을 계속 운영하면서 재학습한 후보 모델을 운영 경로 밖에서 실행한 다음, 지연 라벨이 있는 이후의 동일한 한 주 데이터를 사용해 두 모델을 비교합니다. 후보 모델이 음의 로그 우도에서 정해진 짝비교 우위를 확보할 때만 현재 모델을 대체합니다. 새로 적합한 모델이 계속 학습해 온 기존 모델보다 나쁠 수 있는데도 달력에 따라 자동 교체되는 상황을 피하려는 정책입니다.

서로 다른 두 Binance 에피소드의 과거 재생에서 이 정책은 달력 기준 교체, 자동 승격, 지속 유지 방식보다 음의 로그 우도를 낮췄습니다. 승격된 후보 모델 수와 배포 모델 변경도 줄었습니다. 저자들은 시드, 실험 예산, 승격 마진, 이전 자산 패널, 지도학습 목적 함수에서도 방향이 일관됐다고 보고합니다. 이는 명시된 암호화폐 무기한 선물 계약의 재생 결과이며, 실제 배포나 다른 시장에서의 성능을 입증하지 않습니다.

핵심 아이디어

  • 기존 모델을 유지하면서 재학습한 후보 모델을 함께 평가한 뒤 교체 여부를 결정합니다.
  • 두 모델을 이후 동일한 한 주의 지연 라벨로 평가합니다.
  • 승격하려면 음의 로그 우도에서 정해진 짝비교 개선이 필요합니다.
  • 과거 재생에서 명시된 비교 정책보다 예측 손실과 배포 모델 변경이 줄었다고 보고합니다.
  • 견고성 검증에는 시드, 승격 설정, 자산 패널, 다른 지도학습 목적 함수가 포함됩니다.

태그

가상자산머신러닝백테스트무기한 선물
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.