Thay thế mô hình dự báo tiền mã hóa có điều kiện kiểm tra tương lai

Tóm tắt

Bài viết giới thiệu chính sách triển khai cho các hệ thống dự báo được huấn luyện lại định kỳ: tiếp tục vận hành mô hình đương nhiệm trong khi mô hình thách thức được tinh chỉnh lại theo kiểu khởi động ấm chạy ngoài luồng phục vụ, rồi so sánh cả hai trên cùng một tuần tiếp theo với nhãn bị trễ. Mô hình thách thức chỉ thay thế mô hình đương nhiệm nếu đạt mức cải thiện cố định theo cặp về log-hợp lý âm. Cách này nhằm tránh việc tự động hoán đổi theo lịch khi một lần khớp mới có thể kém hơn mô hình đã tiếp tục học.

Trong các lần tái hiện lịch sử ở hai giai đoạn Binance riêng biệt, chính sách này giảm log-hợp lý âm so với thay thế theo lịch, tự động nâng cấp và duy trì liên tục. Chính sách nâng cấp ít mô hình thách thức hơn và giảm số lần thay đổi mô hình được triển khai. Các tác giả báo cáo tính nhất quán về hướng kết quả qua các hạt giống, ngân sách thử nghiệm, biên nâng cấp, một nhóm tài sản trước đó và một mục tiêu có giám sát. Đây là kết quả tái hiện trên các hợp đồng tương lai vĩnh cửu tiền mã hóa cụ thể; nội dung được cung cấp không chứng minh hiệu suất khi triển khai giao dịch thực hoặc trên các thị trường khác.

Ý chính

• Chính sách đánh giá mô hình thách thức được tinh chỉnh lại theo kiểu khởi động ấm cùng với mô hình đương nhiệm đang được duy trì trước khi thay thế.
• Cả hai mô hình được đánh giá trên cùng tuần tiếp theo với các nhãn bị trễ.
• Muốn được nâng cấp, mô hình phải cải thiện cố định theo cặp về log-hợp lý âm.
• Tái hiện lịch sử báo cáo mức tổn thất dự báo tốt hơn và ít thay đổi mô hình được triển khai hơn so với các chính sách đối chiếu được nêu.
• Các kiểm tra độ vững được báo cáo bao gồm hạt giống, thiết lập nâng cấp, nhóm tài sản và một mục tiêu có giám sát khác.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.