Как использовать эту страницу
Сначала прочитайте выжимку, затем блоки применения и ограничений, и только потом решайте, годится ли thesis для действия или только для контекста.
Краткая выжимка
Feedback loop: prediction record -> market resolution -> Brier score и correctness -> обновление весов.
Метод обучения: multiplicative weight updates могут усиливать или ослаблять аналитиков по resolved outcomes.
Контроль drift: learning layer включает safeguards, которые могут вернуть сигнал ближе к нейтрали, если его поведение меняется.
Что записывается
Когда EdgeVisor публикует prediction, система может сохранить market id, category, estimate, market price, side, confidence, analyst confidences, signal metadata и explanation payload. Это создаёт запись, которую позже можно сопоставить с фактическим market resolution.
Это важно, потому что learning без записанного состояния превращается в театр. Системе нужна устойчивая память о том, что именно она считала в момент prediction.
| Поле записи | Почему оно важно |
|---|---|
| Estimate и market price | Фиксируют точное расхождение, на котором система строила thesis |
| Category и signal metadata | Позволяют позже понять, в каких рыночных условиях система была сильнее или слабее |
| Explanation payload | Сохраняет то, что продукт реально показал пользователю, а не только скрытый score |
Как feedback обновляет веса
Когда рынок разрешается, outcome tracker вычисляет, была ли thesis корректной и какой оказалась ошибка вероятности. Эти сигналы могут возвращаться обратно во внутреннее взвешивание. Более полезные сигналы получают больше значения, менее полезные теряют влияние.
| Пример | Предсказанная вероятность | Фактический исход | Brier score |
|---|---|---|---|
| Сильный, но ошибочный call | 0.80 | 0 | 0.64 |
| Аккуратный и верный call | 0.65 | 1 | 0.12 |
EdgeVisor также хранит regime summaries и rolling metrics, так что learning loop не сводится к одному глобальному числу. На практике это попытка понять, какой mix evidence полезен при каких рыночных условиях, а не слепо доверять одному внутреннему паттерну forever.
Чего метрики не означают
Brier score не равен прибыли. Win rate не равен calibration. И удачный короткий период не гарантирует, что тот же analyst mix останется полезным после смены режима рынка.
- Высокий win rate может быть поверхностным: он может возникать из-за простых favorites, а не из-за хорошо калиброванных вероятностей.
- Хорошая calibration всё равно не гарантирует деньги: timing и microstructure рынка продолжают иметь значение.
- Learning уменьшает слепоту, а не риск: он повышает accountability, но не убирает liquidity risk, timing risk и category mismatch.
Частые вопросы
Нет. Система может использовать и более слабую обратную связь от resolved predictions, а не только live execution outcomes.
Нет. Win rate и Brier score отвечают на разные вопросы. Calibration оценивает качество вероятностей, а не только направление.