Substituição condicionada de modelos de previsão de cripto

Resumo

O artigo apresenta uma política de implantação para sistemas de previsão que são retreinados regularmente: manter o modelo atual em operação enquanto um modelo concorrente, ajustado novamente com aquecimento, roda fora do caminho de atendimento; depois, comparar ambos na mesma semana seguinte de rótulos atrasados. O concorrente substitui o modelo atual somente se superar uma vantagem pareada fixa em log-verossimilhança negativa. O objetivo é evitar trocas automáticas por calendário quando um novo ajuste pode ser pior que um modelo que continuou aprendendo.

Em replay histórico de dois episódios separados da Binance, a política reduziu a log-verossimilhança negativa em relação à substituição por calendário, à promoção automática e à manutenção contínua. Promoveu menos concorrentes e reduziu as mudanças nos modelos implantados. Os autores relatam consistência direcional entre sementes, orçamentos de testes, margens de promoção, um painel de ativos anterior e um objetivo supervisionado. Esses resultados vêm de replay de contratos perpétuos de cripto especificados; o relato fornecido não demonstra desempenho em implantação ao vivo nem em outros mercados.

Ideias principais

• A política avalia um concorrente reajustado com aquecimento junto ao modelo atual mantido antes de substituí-lo.
• Os dois modelos são avaliados na mesma semana seguinte de rótulos atrasados.
• A promoção exige uma melhoria pareada fixa na log-verossimilhança negativa.
• O replay histórico relata menor perda de previsão e menos mudanças nos modelos implantados do que as políticas de comparação indicadas.
• Os testes de robustez relatados abrangem sementes, configurações de promoção, painéis de ativos e um objetivo supervisionado diferente.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.