암호화폐 모멘텀 전이학습

기사 arXiv papers · 저자: Daniel Poh et al.

요약

과거 데이터가 제한된 자산으로 학습한 횡단면 전략의 과적합 문제를 다룹니다. 원본 데이터셋으로 학습한 인코더 어텐션 모듈의 표현과 작은 대상 데이터셋에 초점을 맞춘 별도 모듈의 표현을 결합하는 Fused Encoder Networks를 소개합니다. 정보를 공유하고 융합해 일반화 성능을 개선하고, 자기 어텐션으로 학습과 추론 단계 모두에서 금융 상품 간 상호작용을 모델링합니다.

시가총액 기준 상위 열 개 암호화폐의 순위를 이용해 모멘텀 전략을 시연합니다. 보고된 결과는 여러 성과 지표에서 대부분의 비교 모델을 앞섰으며, 고전적 모멘텀보다 샤프 비율이 세 배 높고 거래 비용을 반영하지 않을 때 가장 강한 기준선보다 약 50% 개선됐습니다. 논문은 암호화폐 거래 비용을 반영한 뒤에도 이 방법의 우위가 유지된다고 설명하지만, 제공된 요약에는 추가적인 테스트 설계, 강건성 분석 또는 이 적용 사례 외의 근거가 없습니다.

핵심 아이디어

과거 이력이 제한적이면 정교한 횡단면 순위 모델이 과적합될 수 있습니다.
Fused Encoder Networks는 원본·대상 데이터셋의 표현을 결합해 유용한 정보를 전달합니다.
자기 어텐션을 통해 추론 시점에도 금융 상품 간 상호작용을 표현합니다.
암호화폐 모멘텀 사례는 거래 비용을 고려한 뒤에도 더 나은 기준선 성과를 보고합니다.

# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.

암호화폐 횡단면 모멘텀 순위를 위한 전이학습

요약

핵심 아이디어

태그