金融时间序列中用于趋势跟随策略的小样本学习模式
交易与市场微观结构
2024-03-29 v2 机器学习
投资组合管理
摘要
系统性交易策略的预测模型在金融市场条件快速变化时无法快速适应，正如 2020 年 COVID-19 疫情初现时那样，导致许多预测模型持有亏损头寸。为应对此类情形，我们提出了一种能够对新市场条件（称为机制）快速适应的新型时间序列趋势跟随预测器。我们利用深度学习领域的最新进展并采用小样本学习。我们提出了交叉注意力时间序列趋势网络——X-Trend——它通过对一组金融时间序列机制上下文集进行注意力加权来持有头寸。X-Trend 将上下文集中相似模式的趋势迁移以进行预测，随后为新异的不同目标机制持有头寸。通过快速适应新金融机制，在 2018 至 2023 年动荡市场期间，X-Trend 相较神经预测器将夏普比率提高了 18.9%，相较常规时间序列动量策略提高了 10 倍。我们的策略从 COVID-19 回撤中恢复的速度约为神经预测器的两倍。X-Trend 还能对未见过的新型金融资产采取零样本头寸，同期相较神经时间序列趋势预测器获得 5 倍夏普比率提升。此外，交叉注意力机制使我们能够解释预测与上下文集中模式之间的关系。
引用
@article{arxiv.2310.10500,
title = {Few-Shot Learning Patterns in Financial Time-Series for Trend-Following Strategies},
author = {Kieran Wood and Samuel Kessler and Stephen J. Roberts and Stefan Zohren},
journal= {arXiv preprint arXiv:2310.10500},
year = {2024}
}
备注
minor edits