Few-Shot-Lernen für adaptive Trendfolgeprognosen

Zusammenfassung

Das Dokument stellt X-Trend vor, einen Zeitreihenprognostiker für die Trendfolge, der sich schnell an neue Marktregime anpassen soll. Er nutzt Few-Shot-Lernen und Cross-Attention über einen Kontextbestand finanzieller Zeitreihenregime. Dabei überträgt er Muster aus ähnlichen Regimen, um Positionen in einem Zielregime vorherzusagen. Der Aufmerksamkeitsmechanismus soll außerdem sichtbar machen, welche Kontextmuster mit den Prognosen zusammenhängen.

Die berichtete Evaluierung umfasst eine turbulente Periode von 2018 bis 2023. Die Autoren geben an, dass X-Trend die Sharpe Ratio gegenüber einem neuronalen Prognosemodell und einer herkömmlichen Zeitreihen-Momentum-Strategie verbesserte, sich schneller vom COVID-19-Drawdown erholte und Positionen für zuvor nicht verwendete Vermögenswerte mit berichteten Sharpe-Gewinnen gegenüber einem neuronalen Prognosemodell lieferte. Dies sind die vom Dokument berichteten Ergebnisse; Angaben zur Datenaufbereitung, zu Transaktionskosten, statistischer Unsicherheit oder Schutzmaßnahmen für Tests außerhalb der Stichprobe fehlen hier, was eine unabhängige Beurteilung erschwert.

Kernaussagen

• X-Trend nutzt Few-Shot-Lernen, um Trendprognosen an neue Marktregime anzupassen.
• Cross-Attention überträgt Muster aus verwandten Regimen eines Kontextbestands auf ein Zielregime.
• Die Autoren berichten für 2018–2023 Sharpe-Verbesserungen gegenüber neuronalen und herkömmlichen Momentum-Benchmarks.
• Laut Bericht erholt sich der Ansatz schneller vom COVID-19-Drawdown und kann mit zuvor nicht verwendeten Vermögenswerten umgehen.
• Cross-Attention bietet eine Möglichkeit, Zusammenhänge zwischen Kontextmustern und Prognosen zu untersuchen.

Schlagwörter

# Few-Shot Learning Patterns in Financial Time-Series for Trend-Following Strategies


# Few-Shot Learning Patterns in Financial Time-Series for Trend-Following Strategies









Forecasting models for systematic trading strategies do not adapt quickly when financial market conditions rapidly change, as was seen in the advent of the COVID-19 pandemic in 2020, causing many forecasting models to take loss-making positions. To deal with such situations, we propose a novel time-series trend-following forecaster that can quickly adapt to new market conditions, referred to as regimes. We leverage recent developments from the deep learning community and use few-shot learning. We propose the Cross Attentive Time-Series Trend Network -- X-Trend -- which takes positions attending over a context set of financial time-series regimes. X-Trend transfers trends from similar patterns in the context set to make forecasts, then subsequently takes positions for a new distinct target regime. By quickly adapting to new financial regimes, X-Trend increases Sharpe ratio by 18.9% over a neural forecaster and 10-fold over a conventional Time-series Momentum strategy during the turbulent market period from 2018 to 2023. Our strategy recovers twice as quickly from the COVID-19 drawdown compared to the neural-forecaster. X-Trend can also take zero-shot positions on novel unseen financial assets obtaining a 5-fold Sharpe ratio increase versus a neural time-series trend forecaster over the same period. Furthermore, the cross-attention mechanism allows us to interpret the relationship between forecasts and patterns in the context set.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.