Alfa Connectome : Wunder Fund lance un concours de machine learning doté de 13 600 $
Wunder Fund a lancé le concours Alfa Connectome, offrant une cagnotte de 13 600 $ pour la conception de modèles prédictifs basés sur des données de trading réelles.
Alfa Connectome : Concours de Machine Learning par Wunder Fund
Un nouveau concours de machine learning est organisé par Wunder Fund, une entreprise spécialisée dans le trading à haute fréquence (HFT) ayant enregistré un volume quotidien supérieur à 10 milliards de dollars depuis 2014.
La mission
Les participants devront analyser les données historiques de trading de deux instruments financiers liés. L'objectif est de construire un modèle capable de prédire les indicateurs d'évolution des prix de l'un des instruments en se basant sur :
- Les informations du carnet d'ordres ;
- Les données de transactions ;
- Des métadonnées supplémentaires.
Il s'agit essentiellement d'une tâche classique de recherche quantitative, permettant aux participants de travailler avec des données boursières réelles.
Détails du concours
- Dates : Du 11 septembre au 15 novembre
- Cagnotte : 13 600 $
Récompenses
Les gagnants recevront :
- Des prix en espèces.
- Une invitation à passer un entretien chez Wunder Fund.
- Une grande satisfaction intellectuelle et une expérience précieuse dans le traitement de données financières complexes.
Pourquoi c'est important
AnalyseCe concours offre une opportunité unique aux data scientists et aux quants de démontrer leurs compétences sur des données financières réelles et de décrocher potentiellement un poste chez un leader du HFT.
Discuter dans la communauté
Partagez vos questions et vos idées avec les développeurs
Lié dans l'écosystème
Guides pratiques, terminologie clé et compétences d'agents
Surapprentissage (Overfitting)
Problème fondamental de l'apprentissage automatique : le modèle s'adapte excessivement au jeu de données d'entraînement, y compris à son bruit spécifique, perdant ainsi sa capacité de généralisation sur de nouvelles données. Analyse de la divergence des fonctions de perte, des techniques de régularisation et de l'Early Stopping dans le code.
Comment une formule de 1847 entraîne ChatGPT : la descente de gradient de Cauchy
La méthode d’optimisation centrale derrière ChatGPT et les réseaux de neurones modernes a été proposée en 1847 par le mathématicien français Augustin-Louis Cauchy pour calculer les orbites planétaires.
Machine Unlearning
Technologie permettant de supprimer chirurgicalement des connaissances spécifiques, des données privées d'utilisateurs ou des matériaux soumis à un droit d'auteur limité des poids d'un réseau neuronal déjà entraîné. Elle permet aux entreprises de se conformer aux exigences légales relatives au « droit à l'oubli » (RGPD) sans recourir à un réentraînement complet du modèle, dont le coût serait prohibitif.
Thinking Machines lance Inkling 2 Small : un modèle MoE de 594B capable d’affiner d’autres modèles
Thinking Machines a présenté Inkling 2 Small, un modèle MoE de 594B paramètres qui domine parmi les modèles ouverts sur plusieurs tâches et a démontré la capacité d’affiner Qwen3.5-4B de manière autonome.