Aprendizaje por transferencia para clasificar el momentum transversal de criptomonedas

Resumen

El artículo aborda el sobreajuste en estrategias transversales entrenadas con activos que tienen pocos datos históricos. Presenta Fused Encoder Networks, que combinan representaciones de un módulo de codificador y atención entrenado con un conjunto de datos de origen y de otro módulo centrado en el conjunto de datos de destino, más pequeño. Compartir y fusionar información busca mejorar la generalización, mientras que la autoatención modela las interacciones entre instrumentos durante el entrenamiento y la inferencia.

La demostración clasifica las diez criptomonedas más grandes por capitalización bursátil para una estrategia de momentum. Los resultados descritos superan a la mayoría de los modelos de referencia en varias medidas de rendimiento, incluida una ratio de Sharpe tres veces mayor que la del momentum clásico y una mejora de aproximadamente 50% frente al mejor referente sin costes de transacción. El artículo afirma que el método conserva una ventaja tras tener en cuenta los costes de trading de criptomonedas, pero el resumen proporcionado no ofrece más detalles sobre el diseño de las pruebas, análisis de robustez ni evidencia más allá de este caso de uso.

Ideas clave

• Los historiales limitados pueden hacer que los modelos sofisticados de clasificación transversal sean propensos al sobreajuste.
• Fused Encoder Networks combinan representaciones de conjuntos de datos de origen y destino para transferir información útil.
• La autoatención permite al modelo representar interacciones entre instrumentos durante la inferencia.
• El ejemplo de momentum en criptomonedas describe un rendimiento superior al de los referentes, incluso al considerar los costes de transacción.

Etiquetas

# 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.

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.