Học chuyển giao để xếp hạng động lượng tiền mã hóa theo mặt cắt ngang

Tóm tắt

Bài nghiên cứu đề cập đến hiện tượng khớp quá mức trong các chiến lược theo mặt cắt ngang được huấn luyện trên tài sản có lịch sử dữ liệu hạn chế. Nghiên cứu giới thiệu Mạng bộ mã hóa hợp nhất, kết hợp các biểu diễn từ mô-đun bộ mã hóa và chú ý được huấn luyện trên tập dữ liệu nguồn với một mô-đun riêng tập trung vào tập dữ liệu đích nhỏ hơn. Việc chia sẻ và hợp nhất thông tin nhằm cải thiện khả năng khái quát hóa, còn cơ chế tự chú ý mô hình hóa tương tác giữa các công cụ trong cả quá trình huấn luyện và suy luận.

Phần minh họa xếp hạng mười đồng tiền mã hóa lớn nhất theo vốn hóa thị trường cho một chiến lược động lượng. Kết quả được báo cáo vượt phần lớn mô hình tham chiếu ở một số thước đo hiệu suất, gồm tỷ lệ Sharpe cao gấp ba lần so với động lượng cổ điển và mức cải thiện khoảng 50% so với chuẩn mạnh nhất khi chưa tính chi phí giao dịch. Bài nghiên cứu cho biết phương pháp vẫn giữ lợi thế sau khi tính chi phí giao dịch tiền mã hóa, nhưng phần tóm tắt được cung cấp không nêu thêm về thiết kế kiểm thử, phân tích độ vững hoặc bằng chứng ngoài trường hợp ứng dụng này.

Ý chính

• Lịch sử dữ liệu hạn chế có thể khiến các mô hình xếp hạng theo mặt cắt ngang phức tạp dễ bị khớp quá mức.
• Mạng bộ mã hóa hợp nhất kết hợp biểu diễn từ tập dữ liệu nguồn và đích để chuyển giao thông tin hữu ích.
• Cơ chế tự chú ý cho phép mô hình biểu diễn tương tác giữa các công cụ tại thời điểm suy luận.
• Ví dụ về động lượng tiền mã hóa báo cáo hiệu suất cao hơn các mô hình tham chiếu, kể cả sau khi tính chi phí giao dịch.

Thẻ

# 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.

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.