he estado trabajando con el flujo de trabajo de Markowitz AlphaSense de OpenGradient durante un par de días y lo que realmente destaca es lo viejo que es el matemático subyacente en comparación con lo nuevo que es la capa de verificación que lo rodea....
Aquí está la mecánica. El Markowitz AlphaSense de OpenGradient ejecuta una optimización de media-varianza para generar posiciones óptimas en la cartera. La matemática en sí tiene décadas de antigüedad, teoría moderna de carteras, equilibrando el retorno esperado contra la varianza. Lo que agrega OpenGradient no es una nueva técnica de optimización, es una capa de ejecución verificable envuelta alrededor de una conocida -+ TEE o atestación ZKML que prueba que la optimización realmente se ejecutó con las entradas que afirma haber utilizado....
matemáticas viejas. nueva garantía.... $BTW
lo que creo que se pasa por alto es por qué esa distinción es importante para un agente que toma decisiones de asignación de manera autónoma. Si un agente de cartera afirma que ejecutó una optimización de media-varianza y produjo una asignación específica, normalmente no hay forma de verificar que no simplemente fabricó la salida. OpenGradient cierra esa brecha específica para esta técnica bien entendida primero, en lugar de intentar verificar algo exótico y no probado....$RE
de hecho, me gusta que eligieron un algoritmo aburrido y bien confiable para verificar en lugar de algo llamativo. verificar algo en lo que todos ya confían en las matemáticas genera confianza en la capa de verificación en sí....
pero no pretenderé que la optimización de media-varianza sea perfecta incluso cuando se ejecute verificablemente. la técnica es famosa por ser sensible a sus supuestos de entrada; una optimización verificada con malas entradas aún produce una mala asignación....
una vez confié en una herramienta de reequilibrio de cartera antigua que silenciosamente utilizó datos de covarianza obsoletos durante meses sin que yo lo notara....
lo que todavía no puedo resolver es si el Markowitz AlphaSense de OpenGradient te permite verificar los datos de entrada que alimentan la optimización, o solo verifica que la optimización en sí se ejecutó correctamente con las entradas que se proporcionaron??
@OpenGradient $OPG
#OPG
Aquí está la mecánica. El Markowitz AlphaSense de OpenGradient ejecuta una optimización de media-varianza para generar posiciones óptimas en la cartera. La matemática en sí tiene décadas de antigüedad, teoría moderna de carteras, equilibrando el retorno esperado contra la varianza. Lo que agrega OpenGradient no es una nueva técnica de optimización, es una capa de ejecución verificable envuelta alrededor de una conocida -+ TEE o atestación ZKML que prueba que la optimización realmente se ejecutó con las entradas que afirma haber utilizado....
matemáticas viejas. nueva garantía.... $BTW
lo que creo que se pasa por alto es por qué esa distinción es importante para un agente que toma decisiones de asignación de manera autónoma. Si un agente de cartera afirma que ejecutó una optimización de media-varianza y produjo una asignación específica, normalmente no hay forma de verificar que no simplemente fabricó la salida. OpenGradient cierra esa brecha específica para esta técnica bien entendida primero, en lugar de intentar verificar algo exótico y no probado....$RE
de hecho, me gusta que eligieron un algoritmo aburrido y bien confiable para verificar en lugar de algo llamativo. verificar algo en lo que todos ya confían en las matemáticas genera confianza en la capa de verificación en sí....
pero no pretenderé que la optimización de media-varianza sea perfecta incluso cuando se ejecute verificablemente. la técnica es famosa por ser sensible a sus supuestos de entrada; una optimización verificada con malas entradas aún produce una mala asignación....
una vez confié en una herramienta de reequilibrio de cartera antigua que silenciosamente utilizó datos de covarianza obsoletos durante meses sin que yo lo notara....
lo que todavía no puedo resolver es si el Markowitz AlphaSense de OpenGradient te permite verificar los datos de entrada que alimentan la optimización, o solo verifica que la optimización en sí se ejecutó correctamente con las entradas que se proporcionaron??
@OpenGradient $OPG
#OPG