Aprendizado por transferência para classificação transversal de momentum em criptoativos

Resumo

O artigo aborda o sobreajuste em estratégias transversais treinadas com ativos que têm pouco histórico. Apresenta as Fused Encoder Networks, que combinam representações de um módulo de atenção do codificador treinado em um conjunto de dados de origem com um módulo separado voltado ao conjunto de destino menor. O compartilhamento e a fusão de informações buscam melhorar a generalização, enquanto a autoatenção modela interações entre instrumentos tanto durante o treinamento quanto na inferência.

A demonstração classifica as dez maiores criptomoedas por capitalização de mercado para uma estratégia de momentum. Os resultados relatados superam a maioria dos modelos de referência em várias medidas de desempenho, incluindo um índice de Sharpe três vezes maior que o do momentum clássico e uma melhora de cerca de 50% em relação à referência mais forte, sem custos de transação. O artigo afirma que o método mantém uma vantagem após considerar os custos de trading de criptoativos, mas o resumo fornecido não detalha o desenho dos testes, a análise de robustez nem evidências além desse caso de uso.

Ideias principais

• Históricos limitados podem tornar modelos sofisticados de classificação transversal mais sujeitos a sobreajuste.
• As Fused Encoder Networks combinam representações dos conjuntos de dados de origem e destino para transferir informações úteis.
• A autoatenção permite ao modelo representar interações entre instrumentos no momento da inferência.
• O exemplo de momentum em criptomoedas relata desempenho superior às referências, inclusive após considerar os custos de transação.

Tags

# 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.

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.