estou há alguns dias analisando o fluxo de trabalho do Markowitz AlphaSense da OpenGradient e o que realmente se destaca é quão antiga é a matemática subjacente em comparação com a nova camada de verificação que a envolve....
eis são os mecanismos. O Markowitz AlphaSense da OpenGradient executa uma otimização de média-variância para gerar posições de portfólio ideais. a matemática em si tem décadas, teoria moderna de portfólio, equilibrando retorno esperado contra variância. o que a OpenGradient adiciona não é uma nova técnica de otimização, é uma camada de execução verificável envolta de uma já conhecida -+ TEE ou atestação ZKML provando que a otimização realmente foi executada com as entradas que afirma ter utilizado....
má matemática.nova garantia.... $BTW
o que acho que é negligenciado é por que essa distinção importa para um agente que toma decisões de alocação de forma autônoma. se um agente de portfólio afirma que executou uma otimização de média-variância e produziu uma alocação específica, normalmente não há como verificar que ele não apenas fabricou a saída. A OpenGradient fecha essa lacuna específica para essa técnica bem conhecida primeiro, em vez de tentar verificar algo exótico e não comprovado....$RE
eu realmente gosto que eles escolheram um algoritmo chato e bem confiável para verificar em vez de algo chamativo. verificar algo que todos já confiam a matemática constrói confiança na própria camada de verificação....
más não vou fingir que a otimização de média-variância é infalível, mesmo quando executada de forma verificável. a técnica é famosa por ser sensível às suposições de entrada - uma otimização verificada com entradas ruins ainda produz uma alocação ruim....
fui confiável uma antiga ferramenta de reequilíbrio de portfólio uma vez que usou dados de covariância desatualizados por meses sem que eu percebesse....
o que ainda não consigo resolver é se o Markowitz AlphaSense da OpenGradient permite que você verifique os dados de entrada que alimentam a otimização, ou apenas verifica se a otimização em si foi executada corretamente com as entradas fornecidas??
@OpenGradient $OPG
#OPG
eis são os mecanismos. O Markowitz AlphaSense da OpenGradient executa uma otimização de média-variância para gerar posições de portfólio ideais. a matemática em si tem décadas, teoria moderna de portfólio, equilibrando retorno esperado contra variância. o que a OpenGradient adiciona não é uma nova técnica de otimização, é uma camada de execução verificável envolta de uma já conhecida -+ TEE ou atestação ZKML provando que a otimização realmente foi executada com as entradas que afirma ter utilizado....
má matemática.nova garantia.... $BTW
o que acho que é negligenciado é por que essa distinção importa para um agente que toma decisões de alocação de forma autônoma. se um agente de portfólio afirma que executou uma otimização de média-variância e produziu uma alocação específica, normalmente não há como verificar que ele não apenas fabricou a saída. A OpenGradient fecha essa lacuna específica para essa técnica bem conhecida primeiro, em vez de tentar verificar algo exótico e não comprovado....$RE
eu realmente gosto que eles escolheram um algoritmo chato e bem confiável para verificar em vez de algo chamativo. verificar algo que todos já confiam a matemática constrói confiança na própria camada de verificação....
más não vou fingir que a otimização de média-variância é infalível, mesmo quando executada de forma verificável. a técnica é famosa por ser sensível às suposições de entrada - uma otimização verificada com entradas ruins ainda produz uma alocação ruim....
fui confiável uma antiga ferramenta de reequilíbrio de portfólio uma vez que usou dados de covariância desatualizados por meses sem que eu percebesse....
o que ainda não consigo resolver é se o Markowitz AlphaSense da OpenGradient permite que você verifique os dados de entrada que alimentam a otimização, ou apenas verifica se a otimização em si foi executada corretamente com as entradas fornecidas??
@OpenGradient $OPG
#OPG