Apprentissage en quelques exemples pour des prévisions adaptatives de suivi de tendance

Résumé

Le document présente X-Trend, un modèle de prévision de séries temporelles en suivi de tendance conçu pour s’adapter rapidement lorsque les marchés entrent dans de nouveaux régimes. Il utilise l’apprentissage en quelques exemples et l’attention croisée sur un ensemble de contextes de régimes financiers, transférant les motifs de régimes similaires pour prévoir les positions dans un régime cible. Le mécanisme d’attention est également présenté comme un moyen d’interpréter les motifs contextuels liés aux prévisions.

L’évaluation rapportée couvre une période turbulente allant de 2018 à 2023. Les auteurs indiquent que X-Trend a amélioré le ratio de Sharpe par rapport à un modèle de prévision neuronal et à une stratégie conventionnelle de momentum sur séries temporelles, s’est remis plus rapidement du drawdown de COVID-19, et a produit des positions sur des actifs non observés avec des gains de Sharpe rapportés par rapport à un modèle neuronal. Il s’agit des résultats rapportés par le document ; celui-ci ne fournit ici aucun détail sur la construction des données, les coûts de transaction, l’incertitude statistique ou les protections hors échantillon, ce qui limite l’évaluation indépendante.

Idées clés

• X-Trend utilise l’apprentissage en quelques exemples pour adapter les prévisions de tendance aux nouveaux régimes de marché.
• L’attention croisée transfère des motifs de régimes apparentés d’un ensemble de contextes vers un régime cible.
• Les auteurs rapportent des améliorations du ratio de Sharpe par rapport aux références neuronales et conventionnelles de momentum pendant 2018–2023.
• Selon les résultats rapportés, l’approche se remet plus vite du drawdown de COVID-19 et traite des actifs non observés.
• L’attention croisée permet d’examiner les liens entre les motifs contextuels et les prévisions.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.