Перенос обучения для ранжирования криптовалют по импульсу
Сводка
Статья рассматривает переобучение в поперечных стратегиях, обученных на активах с короткой историей. В ней представлены объединённые сети энкодеров, которые сочетают представления из модуля энкодера с механизмом внимания, обученного на исходном наборе данных, и отдельного модуля для меньшего целевого набора. Обмен и объединение информации призваны улучшить обобщающую способность, а механизм самовнимания моделирует взаимосвязи инструментов во время обучения и при выводе.
В демонстрации десять крупнейших криптовалют ранжируются по рыночной капитализации для импульсной стратегии. По нескольким показателям результаты превосходят большинство эталонных моделей: коэффициент Шарпа втрое выше, чем у классического импульса, а результат примерно на 50% лучше сильнейшего эталона без учёта транзакционных издержек. В статье говорится, что преимущество метода сохраняется после учёта издержек торговли криптовалютами, однако в резюме нет подробностей о схеме тестирования, анализе устойчивости или применении за пределами этого примера.
Ключевые идеи
- Короткая история данных может приводить к переобучению сложных моделей поперечного ранжирования.
- Объединённые сети энкодеров переносят полезную информацию, сочетая представления исходного и целевого наборов данных.
- Самовнимание позволяет модели учитывать взаимосвязи инструментов при выводе.
- В примере с импульсной стратегией на криптовалютах сообщается о лучших результатах относительно эталонов, в том числе после учёта транзакционных издержек.
Теги
Полный текст
# 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.
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.