Aprendizaje con pocos ejemplos para predicciones adaptativas de seguimiento de tendencias

Resumen

El documento propone X-Trend, un predictor de series temporales de seguimiento de tendencias diseñado para adaptarse rápidamente cuando los mercados entran en nuevos regímenes. Utiliza aprendizaje con pocos ejemplos y atención cruzada sobre un conjunto de contexto de regímenes de series temporales financieras, y transfiere patrones de regímenes similares para predecir posiciones en un régimen objetivo. También presenta el mecanismo de atención como una forma de interpretar qué patrones del contexto guardan relación con las predicciones.

La evaluación comunicada abarca un periodo turbulento de 2018 a 2023. Los autores afirman que X-Trend mejoró el ratio de Sharpe frente a un predictor neuronal y una estrategia convencional de impulso de series temporales, se recuperó más rápidamente del drawdown de COVID-19 y generó posiciones para activos no vistos con mejoras de Sharpe comunicadas frente a un predictor neuronal. Estos son resultados comunicados por el documento; aquí no se ofrecen detalles sobre la construcción de los datos, los costes de transacción, la incertidumbre estadística ni las salvaguardas fuera de muestra, lo que limita la evaluación independiente.

Ideas clave

• X-Trend utiliza aprendizaje con pocos ejemplos para adaptar las predicciones de tendencias a nuevos regímenes de mercado.
• La atención cruzada transfiere patrones de regímenes relacionados en un conjunto de contexto a un régimen objetivo.
• Los autores comunican mejoras del ratio de Sharpe frente a referencias neuronales y convencionales de impulso durante 2018–2023.
• Según lo comunicado, el enfoque se recupera más rápidamente del drawdown de COVID-19 y puede operar con activos no vistos.
• La atención cruzada permite examinar las relaciones entre los patrones del contexto y las predicciones.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.