金融中的迁移排序：在数据稀缺下应用于横截面动量的研究

横截面策略是一种经典且流行的交易风格，近期高性能变体引入了复杂的神经架构。尽管这些策略已成功应用于涉及具有长期历史成熟资产的数据丰富场景，但在样本有限的工具上部署通常会产生过拟合且性能退化的模型。本文提出融合编码器网络（Fused Encoder Networks）——一种新颖的混合型参数共享迁移排序模型。该模型将在源数据集上运行的编码器-注意力模块提取的信息，与聚焦于感兴趣的较小目标数据集的类似但独立的模块相融合。这缓解了因在稀缺目标数据上训练而导致模型泛化性差的问题。此外，自注意力机制使得工具间的交互不仅能在模型训练的损失层面被考虑，也能在推理时被纳入。以应用于按市值排名前十的加密货币中的动量为示例用例，融合编码器网络在大多数性能指标上优于参考基准，相较经典动量其夏普比率提升三倍，且相较无交易成本下的最佳基准模型提升约50%。即使在计入与加密货币交易相关的高交易成本后，它仍持续优于基线。