Học ít mẫu để dự báo theo xu hướng thích ứng

Tóm tắt

Tài liệu đề xuất X-Trend, mô hình dự báo chuỗi thời gian theo xu hướng được thiết kế để thích ứng nhanh khi thị trường chuyển sang chế độ mới. Mô hình dùng học ít mẫu và cơ chế chú ý chéo trên tập ngữ cảnh gồm các chế độ chuỗi thời gian tài chính, chuyển các mô thức từ chế độ tương tự để dự báo vị thế trong chế độ mục tiêu. Cơ chế chú ý cũng được trình bày như một cách diễn giải các mô thức ngữ cảnh liên hệ với dự báo.

Đánh giá được báo cáo bao quát giai đoạn biến động từ 2018 đến 2023. Các tác giả cho biết X-Trend cải thiện tỷ số Sharpe so với mô hình dự báo mạng nơ-ron và chiến lược động lượng chuỗi thời gian thông thường, phục hồi nhanh hơn sau mức sụt giảm COVID-19, đồng thời tạo vị thế cho các tài sản chưa thấy với mức tăng Sharpe được báo cáo so với mô hình dự báo mạng nơ-ron. Đây là kết quả do tài liệu báo cáo; ở đây không có chi tiết về cách xây dựng dữ liệu, chi phí giao dịch, độ bất định thống kê hay biện pháp bảo vệ ngoài mẫu, nên việc đánh giá độc lập bị hạn chế.

Ý chính

• X-Trend dùng học ít mẫu để điều chỉnh dự báo theo xu hướng cho các chế độ thị trường mới.
• Cơ chế chú ý chéo chuyển mô thức từ các chế độ liên quan trong tập ngữ cảnh sang chế độ mục tiêu.
• Các tác giả báo cáo cải thiện Sharpe so với mô hình mạng nơ-ron và chuẩn động lượng thông thường trong giai đoạn 2018–2023.
• Theo báo cáo, phương pháp phục hồi nhanh hơn sau mức sụt giảm COVID-19 và xử lý được các tài sản chưa thấy.
• Cơ chế chú ý chéo giúp kiểm tra mối quan hệ giữa các mô thức ngữ cảnh và dự báo.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.