کرپٹو پیش گوئی ماڈلز کی مشروط تبدیلی

خلاصہ

مقالہ باقاعدگی سے دوبارہ تربیت پانے والے پیش گوئی کے نظاموں کے لیے تعیناتی کی پالیسی پیش کرتا ہے: موجودہ ماڈل کو کام کرتے رہنے دیں، جبکہ اس کے پیرامیٹرز سے آغاز کرکے دوبارہ فٹ کیا گیا متبادل ماڈل سروسنگ کے راستے سے باہر چلتا رہے؛ پھر تاخیر سے دستیاب لیبلز کے اسی اگلے ہفتے پر دونوں کا موازنہ کریں۔ متبادل ماڈل موجودہ ماڈل کی جگہ صرف اسی وقت لیتا ہے جب منفی لاگ امکان میں مقررہ جوڑی دار برتری حاصل کرے۔ اس کا مقصد کیلنڈر کے مطابق خودکار تبدیلی سے بچنا ہے، جب نیا فٹ مسلسل سیکھتے رہنے والے ماڈل سے بدتر ہو سکتا ہو۔

Binance کے دو الگ ادوار کی تاریخی بازپلے میں اس پالیسی نے کیلنڈر کے مطابق تبدیلی، خودکار ترقی اور مسلسل ماڈل کی دیکھ بھال و تازہ کاری کے مقابلے میں منفی لاگ امکان کم کیا۔ اس نے کم متبادل ماڈلز کو ترقی دی اور تعینات ماڈلز میں تبدیلیاں کم کیں۔ مصنفین مختلف رینڈم سیڈز، آزمائشی بجٹ، ترقی کی حدوں، پہلے کے اثاثہ پینل اور زیرِ نگرانی مقصد میں سمت کے لحاظ سے یکسانیت رپورٹ کرتے ہیں۔ یہ مخصوص کرپٹو دائمی فیوچرز معاہدوں کے بازپلے کے نتائج ہیں؛ فراہم کردہ بیان لائیو تعیناتی یا دوسری مارکیٹوں میں کارکردگی ثابت نہیں کرتا۔

اہم خیالات

• پالیسی برقرار رکھے گئے موجودہ ماڈل کے ساتھ اس متبادل ماڈل کا جائزہ لیتی ہے جسے موجودہ ماڈل کے پیرامیٹرز سے آغاز کرکے دوبارہ فٹ کیا گیا ہو، پھر اس کی جگہ لینے کا فیصلہ کرتی ہے۔
• دونوں ماڈلز کا جائزہ تاخیر سے دستیاب لیبلز کے اسی اگلے ہفتے پر لیا جاتا ہے۔
• ترقی کے لیے منفی لاگ امکان میں پہلے سے طے شدہ جوڑی دار بہتری ضروری ہے۔
• تاریخی بازپلے میں درج تقابلی پالیسیوں کے مقابلے میں پیش گوئی کا نقصان کم اور تعینات ماڈل کی تبدیلیاں کم رپورٹ ہوئیں۔
• رپورٹ شدہ مضبوطی کی جانچ میں رینڈم سیڈز، ترقی کی ترتیبات، اثاثہ پینلز اور ایک مختلف زیرِ نگرانی مقصد شامل ہیں۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔