Замена криптовалютных прогнозных моделей с отбором по будущим данным

Сводка

В статье предлагается политика развертывания систем прогнозирования с регулярным переобучением: действующая модель продолжает обслуживать запросы, пока переобученная на свежих данных модель-кандидат работает вне контура обслуживания; затем обе модели сравнивают на одной и той же последующей неделе, когда становятся доступны отложенные метки. Модель-кандидат заменяет действующую, только если достигает заданного преимущества по парному сравнению отрицательного логарифмического правдоподобия. Это позволяет избежать автоматической замены по календарю, когда новая версия может оказаться хуже модели, которая продолжала обучаться.

В историческом воспроизведении двух отдельных эпизодов Binance эта политика снизила отрицательное логарифмическое правдоподобие по сравнению с заменой по календарю, автоматическим повышением модели-кандидата и непрерывным сопровождением. Она продвигала меньше моделей-кандидатов и сокращала число изменений развернутых моделей. Авторы сообщают о согласованности направления результатов при разных начальных значениях, бюджетах испытаний, порогах продвижения, на более раннем наборе активов и при другой целевой функции обучения с учителем. Это результаты воспроизведения для указанных криптовалютных бессрочных фьючерсных контрактов; приведенное описание не подтверждает эффективность при реальном развертывании или на других рынках.

Ключевые идеи

• Политика оценивает переобученную на свежих данных модель-кандидат наряду с действующей поддерживаемой моделью, прежде чем заменить ее.
• Обе модели оцениваются на одной и той же следующей неделе с отложенными метками.
• Для продвижения модели требуется заданное преимущество по парному сравнению отрицательного логарифмического правдоподобия.
• По результатам исторического воспроизведения, политика улучшает ошибку прогноза и сокращает число изменений развернутых моделей по сравнению с перечисленными вариантами.
• Проверки устойчивости охватывают начальные значения, параметры продвижения, наборы активов и другую целевую функцию обучения с учителем.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.