Alfa Connectome: Wunder Fund startet ML-Wettbewerb mit Preisgeld von 13.600 US-Dollar
Wunder Fund hat den Alfa-Connectome-Machine-Learning-Wettbewerb ins Leben gerufen und stellt einen Preispool von 13.600 US-Dollar für die Entwicklung prädiktiver Modelle auf echten Handelsdaten bereit.
Alfa Connectome: ML-Wettbewerb von Wunder Fund
Ein neuer Machine-Learning-Wettbewerb wurde von Wunder Fund gestartet, einem Unternehmen, das sich auf Hochfrequenzhandel (HFT) spezialisiert hat und seit 2014 einen täglichen Umsatz von über 10 Milliarden US-Dollar verzeichnet.
Die Aufgabe
Teilnehmer analysieren historische Handelsdaten für zwei miteinander verbundene Finanzinstrumente. Das Ziel ist es, ein Modell zu erstellen, das Indikatoren für die Preisbewegung eines Instruments basierend auf folgenden Daten vorhersagt:
- Orderbuchinformationen;
- Handelsdaten;
- Zusätzliche Metadaten.
Im Wesentlichen handelt es sich um eine klassische quantitative Forschungsaufgabe, bei der Teilnehmer mit echten Börsendaten arbeiten können.
Wettbewerbsdetails
- Zeitraum: 11. September – 15. November
- Preispool: 13.600 US-Dollar
Belohnungen
Die Gewinner erhalten:
- Bargeldpreise.
- Eine Einladung zu einem Vorstellungsgespräch bei Wunder Fund.
- Bedeutende intellektuelle Befriedigung und Erfahrung im Umgang mit komplexen Finanzdaten.
Warum das wichtig ist
AnalyseDieser Wettbewerb bietet Data Scientists und Quant-Analysten eine einzigartige Gelegenheit, ihre Fähigkeiten an realen Finanzdaten unter Beweis zu stellen und möglicherweise eine Stelle bei einem führenden HFT-Unternehmen zu sichern.
In der Community diskutieren
Teile deine Fragen und Erkenntnisse mit Entwicklern
Verwandt im Ökosystem
Praktische Leitfäden, Terminologie und Agenten-Skills
Overfitting
Ein grundlegendes Problem im maschinellen Lernen: Das Modell passt sich übermäßig an den Trainingsdatensatz einschließlich dessen spezifischem Rauschen an und verliert dabei die Fähigkeit zur Generalisierung auf neue Daten. Analyse der Divergenz der Verlustfunktionen, Regularisierungstechniken und Early Stopping im Code.
Wie eine Formel aus dem Jahr 1847 ChatGPT trainiert: Cauchys Gradientenabstieg
Die zentrale Optimierungsmethode für ChatGPT und moderne neuronale Netze wurde 1847 vom französischen Mathematiker Augustin-Louis Cauchy zur Berechnung von Planetenbahnen vorgeschlagen.
Wie man KI-Halluzinationen verhindert (Prompts gegen erfundene Fakten)
Eine Sammlung bewährter Engineering-Techniken und Prompt-Strukturen, die die Generierung von erfundenen Fakten, nicht existierenden Gesetzen und falschen Zitaten blockieren. Zwingt die künstliche Intelligenz, sich streng auf die bereitgestellten Quellen zu stützen.
OpenAI erwägt offenbar einen 50-Dollar-Monatstarif
Ein neues Abo könnte höhere Limits, weniger Einschränkungen und Zugang zu stärkeren Modellen bieten.