

개인이 각각 객체학습기의 역할을 함
예측력이 약한 학습기들은 최적화됨 (베팅할 포인트가 없어지므로..)
살아남은 학습기들은 예측의 확신에 따라 베팅 포인트 크기를 조절함 (soft voting 방법과 유사함)
같은 플랫폼에서 비슷한 철학을 지향하는 사람들끼리 예측한 것이기 때문에 다양성 측면에서 우려 되기도 함
하지만 여태까지 진행된 valley polls의 결과는 놀랍다
총 예측기간이 10% 지났을 때 정답률은 약 63%, 50% 지났을 때 정답률은 약 81%임
총 기간중 어느 시점에 투자를 해야 가장 좋은 수익을 낼 수 있는지 통계적인 분석이 필요한데, 이는 주제별로 다를 수 있을 것 같음(주제별로 수익을 낼 수 있는 경우와 아닌 경우도 나뉠듯)
잘 활용하면 좋은 자료가 될 것 같습니다.
기본적으로 AFML에서는 트리플 라벨링을 통해 데이터를 라벨링하고, 이를 학습시키는 구조임
하지만, 흔히 말하는 HFT는 압도적인 레이턴시를 통해 수익을 내거나 수익을 극대화 하는 방법(마켓 메이킹)을 말함
따라서, AFML에서 말하는 앙상블 학습은 HFT와는 거리가 멀고, 데이트레이딩 이상의 시간 규격에서 활용될만한 것으로 보임
클라우드 서비스를 활용, 바이낸스 거래소와 가까운 곳의 서버를 대여 한 후, 레이턴시 측정
평균 레이턴시 값을 사용해서 백테스팅 후 수익이 가능한지 feasibility 검증
만약 안된다면 다른 방법을 고려할 것 (이 경우 HFT의 형태가 아닌, 알고리즘 트레이딩의 형태가 될 수도 있을 것 같습니다)
valley polls를 예측기간 50% 이상 지난 결과들을 활용해서 투자해보기
베팅 사이즈 조절을 어떻게 할지 고민하기