Few-Shot Learning Patterns in Financial Time-Series for Trend-Following Strategies

要約

2020年の新型コロナウイルス感染症パンデミックの到来で見られたように、金融市場の状況が急速に変化すると、システマティックなトレーディング戦略の予測モデルがすぐに適応できず、多くの予測モデルが損失を生むポジションを取る原因となっています。
このような状況に対処するために、我々は、レジームと呼ばれる、新しい市場状況に迅速に適応できる新しい時系列トレンド追跡予測ツールを提案します。
私たちはディープ ラーニング コミュニティの最近の開発を活用し、少数ショット学習を使用します。
私たちは、金融時系列レジームのコンテキストセットを監視する立場をとる、Cross Attentive Time-Series Trend Network (X-Trend) を提案します。
X-Trend は、予測を行うために設定されたコンテキスト内の同様のパターンからトレンドを転送し、その後、新しい個別のターゲット領域のポジションを取得します。
新しい金融制度に迅速に適応することにより、X-Trend は、2018 年から 2023 年の市場の混乱期に、ニューラル予測ツールと比較してシャープ レシオを 18.9%、従来の時系列モメンタム戦略と比較して 10 倍増加させます。
ニューラル予測者と比較した新型コロナウイルス感染症のドローダウン。
X-Trend は、新しい未確認の金融資産に対してゼロショット ポジションを取得することもでき、同期間のニューラル時系列トレンド予測ツールと比較してシャープ レシオが 5 倍増加します。
さらに、クロスアテンション メカニズムにより、コンテキスト セット内の予測とパターンの間の関係を解釈できるようになります。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google