Apprentissage par transfert pour le classement transversal des cryptomonnaies selon le momentum

Résumé

L’article traite du surapprentissage des stratégies transversales entraînées sur des actifs disposant de peu de données historiques. Il présente les réseaux à encodeurs fusionnés, qui combinent les représentations d’un module encodeur-attention entraîné sur un jeu de données source avec celles d’un module distinct axé sur le jeu cible plus restreint. Le partage et la fusion des informations visent à améliorer la généralisation, tandis que l’auto-attention modélise les interactions entre instruments pendant l’entraînement et l’inférence.

La démonstration classe les dix plus grandes cryptomonnaies par capitalisation boursière pour une stratégie de momentum. Les résultats rapportés surpassent la plupart des modèles de référence sur plusieurs mesures de performance, avec notamment un ratio de Sharpe trois fois supérieur à celui du momentum classique et une amélioration d’environ 50% par rapport au meilleur modèle de référence sans coûts de transaction. L’article indique que la méthode conserve un avantage après prise en compte des coûts de trading crypto, mais le résumé fourni ne donne aucun détail supplémentaire sur le protocole de test, l’analyse de robustesse ou d’autres cas d’usage.

Idées clés

• Des historiques limités peuvent rendre les modèles avancés de classement transversal sujets au surapprentissage.
• Les réseaux à encodeurs fusionnés combinent les représentations des jeux de données source et cible pour transférer des informations utiles.
• L’auto-attention permet au modèle de représenter les interactions entre instruments au moment de l’inférence.
• L’exemple de momentum sur les cryptomonnaies rapporte de meilleures performances que les références, y compris après prise en compte des coûts de transaction.

Étiquettes

# 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.

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.