主要行业
点击进入可选择细分行业
【免责条款】
1. 用户直接或通过各类方式间接使用慧博投研资讯所提供的服务和数据的行为,都将被视作已无条件接受本声明所涉全部内容;若用户对本声明的任何条款有异议,请停止使用慧博投研资讯所提供的全部服务。
2. 用户需知,研报资料由网友上传,所有权归上传网友所有,慧博投研资讯仅提供存放服务,慧博投研资讯不保证资料内容的合法性、正确性、完整性、真实性或品质;
3. 任何单位或个人若认为慧博投研资讯所提供内容可能存在侵犯第三人著作权的情形,应该及时向慧博投研资讯提出书面权利通知,并提供身份证明、权属证明及详细侵权情况证明。慧博投研资讯将遵循"版权保护投诉指引"处理该信息内容;
4.本条款是本站免责条款的附则,其他更多内容详见本站底部《免责声明》;
核心观点
本文解析了Wood, K.等人关于时序趋势预测模型的最新研究成果,通过构造上下文集并引入交叉注意力机制来优化时序趋势预测模型,比传统趋势追踪策略和深度动量网络模型有更高的风险调整收益,并且在市场波动期间回撤修复的速度更快。http://www.hibor.com.cn【慧博投研资讯】
要点一
预测模型如何快速适应市场条件变化一直是量化交易领域的难题。http://www.hibor.com.cn(慧博投研资讯)传统的深度学习模型对于表示学习通常依赖于大型静态数据集,而市场的非平稳性可能导致这些模型的性能下降。X-Trend策略模型是利用交叉注意力机制优化的时序趋势预测模型。它利用小样本学习和变点检测技术以适应新的市场环境。回测结果表明,X-Trend在2020-2021公共卫生事件期间出现回撤的恢复速度是同类型趋势策略的两倍左右。在2018年至2023年期间,相较于基线模型,夏普比率提高了18.9%;与传统时序动量策略相比,夏普比率提高了约10倍。
要点二
X-Trend模型优势来源于交叉注意力机制,它可以将目标序列和从上下文集中的相似模式相关联,从而提高预测胜率。甚至在样本或计算资源缺乏的零次学习场景下,X-Trend模型相较于深度动量网络基线模型和传统趋势追踪策略在风险收益比上均有优势。同时,X-Trend模型在训练过程中可以使用灵活的目标函数,不论是极大似然估计还是分位数回归,均有超越基准的收益表现。
要点三
使用深度神经网络构建系统性交易策略,考虑到实际样本数量限制、以及市场行情快速变化带来的样本差别较大,是典型的小样本学习场景。X-Trend模型是金融领域小样本学习的成功案例。构造上下文集,并引入交叉注意力机制,能够将来其他资产或历史市场行情中相似模式的信息,应用到不同资产或新的市场环境中,从而提高策略模型的胜率。经过训练,X-Trend模型参数中包含了市场通用模式或规则(regime)的丰富信息。
风险提示
本报告中包含公开发表的文献整理的模型结果,涉及的收益指标等结果的解释性请参考原始文献。回测结果是基于历史数据的统计归纳,模型力求跟踪市场规律和趋势,但仍存失效可能,不构成投资建议,须谨慎使用。
为了完善报告评分体系,请在看完报告后理性打个分,以便我们以后为您展示更优质的报告。
您也可以对自己点评与评分的报告在“我的云笔记”里进行复盘管理,方便您的研究与思考,培养良好的思维习惯。
正在加载,请稍候...