Обучение на малом числе примеров для адаптивных прогнозов тренда

Сводка

В документе предлагается X-Trend — модель прогнозирования временных рядов для следования за трендом, разработанная для быстрой адаптации при переходе рынков в новые режимы. Она использует обучение на малом числе примеров и перекрёстное внимание к набору контекстных финансовых временных рядов, представляющих разные режимы, перенося закономерности из похожих режимов для прогнозирования позиций в целевом режиме. Механизм внимания также предлагается как способ интерпретировать, какие закономерности в контекстных рядах связаны с прогнозами.

В представленной оценке рассматривается нестабильный период с 2018 по 2023. Авторы утверждают, что X-Trend повысила коэффициент Шарпа по сравнению с нейросетевой моделью прогнозирования и стандартной стратегией импульса временных рядов, быстрее восстановилась после просадки COVID-19 и сформировала позиции для ранее не встречавшихся активов с заявленным повышением коэффициента Шарпа относительно нейросетевой модели. Это результаты, приведённые в документе; сведений о подготовке данных, транзакционных издержках, статистической неопределённости и защите от подглядывания в будущие данные в нём нет, что ограничивает независимую оценку.

Ключевые идеи

• X-Trend использует обучение на малом числе примеров, чтобы адаптировать прогнозы тренда к новым рыночным режимам.
• Перекрёстное внимание переносит закономерности из связанных рыночных режимов, представленных в контекстном наборе, в целевой режим.
• Авторы сообщают о повышении коэффициента Шарпа относительно нейросетевых и стандартных стратегий импульса за период 2018–2023.
• По данным авторов, подход быстрее восстановился после просадки COVID-19 и справился с ранее не встречавшимися активами.
• Перекрёстное внимание позволяет изучать связи между контекстными закономерностями и прогнозами.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.