Aprendizado com poucos exemplos para previsões adaptativas de seguimento de tendência

Resumo

O documento propõe X-Trend, um previsor de séries temporais seguidor de tendência, projetado para se adaptar rapidamente quando os mercados entram em novos regimes. Ele usa aprendizado com poucos exemplos e atenção cruzada sobre um conjunto de contexto de regimes de séries temporais financeiras, transferindo padrões de regimes semelhantes para prever posições em um regime-alvo. O mecanismo de atenção também é apresentado como uma forma de interpretar quais padrões do contexto se relacionam às previsões.

A avaliação relatada abrange um período turbulento de 2018 a 2023. Os autores afirmam que o X-Trend melhorou o índice de Sharpe em comparação com um previsor neural e uma estratégia convencional de momentum de séries temporais, recuperou-se mais rápido do drawdown da COVID-19 e gerou posições para ativos não vistos, com ganhos de Sharpe relatados em comparação com um previsor neural. Esses são resultados relatados pelo documento; não há detalhes sobre a construção dos dados, custos de transação, incerteza estatística ou salvaguardas fora da amostra, o que limita uma avaliação independente.

Ideias principais

• O X-Trend usa aprendizado com poucos exemplos para adaptar previsões de tendência a novos regimes de mercado.
• A atenção cruzada transfere padrões de regimes relacionados em um conjunto de contexto para um regime-alvo.
• Os autores relatam melhorias no índice de Sharpe em relação a referências neurais e convencionais de momentum durante 2018–2023.
• Segundo os relatos, a abordagem se recupera mais rápido do drawdown da COVID-19 e lida com ativos não vistos.
• A atenção cruzada permite examinar relações entre padrões do contexto e previsões.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.