Train Often, Deploy Selectively: Forward-Gated Model Replacement in Crypto Markets
创建于 更新于
摘要
本研究提出 Shadow Before Swap（SBS）作为一种前向证据驱动的部署策略，在同一未来标签下对 challenger 与 incumbent 进行对比评估，只有 challenger 相对于 NLL 的优势达到门槛时才替换，以实现更优的概率预测并显著降低不必要的模型变更。基于两段非重叠的 Binance 永续合约回放数据，SBS 在三组对照中持续优于日历替换、盲评估与持续维护，且部署变更次数显著下降，显示该策略在非平稳市场中具备实用性与鲁棒性。 [page::0]
