ECHO
15-minutters mean-reversion på ETF'er og volatilitetsprodukter
Bjergnymfe, hvis stemme vender tilbage – prisen vender tilbage til fair value
HvadECHO betyder
ECHO fanger markedets tilbagevenden til fair value – ekkoet. Trænet på 37 reversion-venlige instrumenter (brede ETF'er, vol-produkter, renter, råvarer) og bevidst blind over for trendindikatorer.
Korthorisont mean-reversion i urolige/rangerende regimer
Sådan fungerer det
ECHO er en faktoriseret kanal × tid opmærksomhedstransformer. Den ser på en 160-bars kontekstvindue af 12 inputkanaler og forudsiger den fulde fordeling af de næste 4 bars.
Fremadrettet pasning: input OHLCV + indikator kanaler → patch-indlejret → skiftende rum/tid opmærksomhedslag → samlet til en enkelt indlejring → MLP-hoved forudsiger 7 kvantilniveauer per horisonttrin.
Inputkanaler
Hver bar er z-score normaliseret per vindue ved hjælp af kontekst-udelukkende statistik, så modellen ser relative bevægelser i stedet for absolutte priser.
Output
Data & træning
Univers
37 symboler
mean_revert_universe
Symboler er de likvide, handelbare instrumenter, der udgørECHO's træningspopulation. Hver forudsigelsescyklus kører fremadtest på det samme univers, så præstationstal ikke er cherry-picked.
Hvorfor dette træningsvindue
Vi udelader bevidst data før 2010. Før-decimalisering (brøker indtil april 2001), før-HFT-regime (≤2007) og finanskrisen 2007-2009 afspejler en markedsstruktur, der ikke længere eksisterer. Ved 3.3 M parametre er det at bruge kapacitet på dette regime støj, der konkurrerer om vægte med det nuværende marked — López de Prado (2018) identificerer regimets ikke-stationaritet som den primære fejlmekanisme inden for finansiel maskinlæring.
Følsomhed: En pilot trænet på 2003-2022 havde et valideringstab 10-12% værre end kørslen baseret på 2010 og frem.
Live-præstation
Hver forudsigelse ECHO foretager logges og barriere-evalueres i realtid. Disse tal viser kun afsluttede handler og opdateres løbende.
Tidligere resultater garanterer ikke fremtidige resultater. Fremadtestresultater afspejler en 1:3 R/R-barrieresimulering; live resultater kan afvige på grund af glidning, spreads og likviditet.
Ærlige begrænsninger
Bull-regime test eksponering
15-ugers out-of-sample-vinduet var en bull-biaseperiode. Modelpræstation i bear-regimer (2022-Q4-stil) er ikke verificeret og er sandsynligvis væsentligt lavere.
Transaktionsomkostninger ikke modelleret
Overskriftsafkastene ekskluderer rundtursgebyrer (~0,05-0,30% på disse instrumenter). Virkelige afkast vil være lavere; overskriftstallene er øvre grænser.
Samme-symbol træning/test
Modellen blev trænet og testet på det samme symbol-univers (tidssplit). Vi validerer temporal generalisering, ikke univers-generalisering til usete tickere.
Hvad vi er sikre på
Retningsbestemt dygtighed over tilfældighed (symmetrisk 1:1 R/R sejrrate er 51.5%) og reproducerbar træning: vi har genoptrænet fra bunden 3+ gange med identiske hyperparametre indenfor ±1% val-tab.
Læs hele rapporten
Offentliggørelsesdyb teknisk rapport: datarensning, arkitektur-dybere dyk, træningsdynamik, barriere-simuleringsmetodologi, fuld-vindue resultater, følsomhedsanalyser og ærlig-begrænsninger diskussion. ~7.000 ord.
Sammenlign på tværs af de fem
Hver model i Zirdle Five tackler en anden handelsregime. Gå tilbage til oversigten for at se, hvordan de klarer sig i forhold til gevinstrate, universstørrelse og out-of-sample afkast.