Transfer Learning für das Momentum-Ranking von Kryptowährungen

Zusammenfassung

Das Paper behandelt Overfitting bei Querschnittsstrategien, die mit Vermögenswerten trainiert werden, für die nur begrenzte historische Daten vorliegen. Es stellt Fused Encoder Networks vor, die Darstellungen aus einem auf einem Quelldatensatz trainierten Encoder-Attention-Modul mit einem separaten, auf den kleineren Zieldatensatz ausgerichteten Modul kombinieren. Der Austausch und die Fusion von Informationen sollen die Generalisierung verbessern, während Self-Attention die Wechselwirkungen zwischen Instrumenten sowohl während des Trainings als auch bei der Inferenz modelliert.

In der Demonstration werden die zehn größten Kryptowährungen nach Marktkapitalisierung für eine Momentum-Strategie gerankt. Die berichteten Ergebnisse übertreffen die meisten Referenzmodelle bei mehreren Leistungskennzahlen, darunter eine dreifache Sharpe-Ratio gegenüber klassischem Momentum und eine Verbesserung von etwa 50% gegenüber der stärksten Benchmark ohne Transaktionskosten. Laut Paper bleibt der Vorteil auch nach Berücksichtigung der Krypto-Handelskosten bestehen. Die vorliegende Zusammenfassung enthält jedoch keine weiteren Angaben zum Testdesign, zur Robustheitsanalyse oder zu anderen Anwendungsfällen.

Kernaussagen

• Begrenzte Historien können dazu führen, dass anspruchsvolle Modelle für Querschnitts-Rankings zu Overfitting neigen.
• Fused Encoder Networks kombinieren Darstellungen aus Quell- und Zieldatensätzen, um nützliche Informationen zu übertragen.
• Mit Self-Attention kann das Modell Wechselwirkungen zwischen Instrumenten zum Inferenzzeitpunkt darstellen.
• Das Momentum-Beispiel mit Kryptowährungen berichtet eine bessere Leistung als Benchmarks, auch unter Berücksichtigung von Transaktionskosten.

Schlagwörter

# Transfer Ranking in Finance: Applications to Cross-Sectional Momentum with Data Scarcity


# Transfer Ranking in Finance: Applications to Cross-Sectional Momentum with Data Scarcity









Cross-sectional strategies are a classical and popular trading style, with recent high performing variants incorporating sophisticated neural architectures. While these strategies have been applied successfully to data-rich settings involving mature assets with long histories, deploying them on instruments with limited samples generally produce over-fitted models with degraded performance. In this paper, we introduce Fused Encoder Networks -- a novel and hybrid parameter-sharing transfer ranking model. The model fuses information extracted using an encoder-attention module operated on a source dataset with a similar but separate module focused on a smaller target dataset of interest. This mitigates the issue of models with poor generalisability that are a consequence of training on scarce target data. Additionally, the self-attention mechanism enables interactions among instruments to be accounted for, not just at the loss level during model training, but also at inference time. Focusing on momentum applied to the top ten cryptocurrencies by market capitalisation as a demonstrative use-case, the Fused Encoder Networks outperforms the reference benchmarks on most performance measures, delivering a three-fold boost in the Sharpe ratio over classical momentum as well as an improvement of approximately 50% against the best benchmark model without transaction costs. It continues outperforming baselines even after accounting for the high transaction costs associated with trading cryptocurrencies.

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.