ECHO
Mean-reversion 15 menit pada ETF dan produk volatilitas
Bidadari gunung yang suaranya kembali — harga kembali ke nilai wajar
Apa ECHO yang
ECHO menangkap kembalinya pasar ke nilai wajar — gema. Dilatih pada 37 instrumen reversion-friendly (ETF broad, produk vol, suku bunga, komoditas) dan sengaja buta terhadap indikator tren.
Mean reversion jangka pendek dalam rezim choppy/ranging
Cara kerjanya
ECHO adalah transformer perhatian saluran × waktu yang difaktorkan. Ia melihat jendela konteks 160 bar dari 12 saluran input, dan memprediksi distribusi penuh dari 4 bar berikutnya.
Langkah maju: input OHLCV + saluran indikator → tambalan tersemat → lapisan perhatian ruang/waktu bergantian → disatukan ke dalam satu embedding → kepala MLP memprediksi 7 tingkat kuantil per langkah cakrawala.
Saluran input
Setiap bar dinormalisasi z-score per jendela menggunakan statistik konteks saja, sehingga model melihat pergerakan relatif daripada harga absolut.
Keluaran
Data & pelatihan
Semesta
37 simbol-simbol
mean_revert_universe
Simbol-simbol adalah instrumen yang likuid dan dapat diperdagangkan yang membentukECHOpopulasi pelatihan. Setiap siklus prediksi menjalankan forward-test pada kelompok yang sama sehingga angka performa tidak dipilih-pilih.
Mengapa jendela pelatihan ini?
Kami sengaja mengecualikan data pra-2010. Era sebelum desimalisasi (pecahan hingga April 2001), era pra-HFT (≤2007), dan krisis kredit 2007-2009 mencerminkan struktur pasar yang sudah tidak ada lagi. Pada3.3 Mparameter, menghabiskan kapasitas pada rezim itu adalah gangguan yang bersaing untuk mendapatkan bobot dengan pasar saat ini — López de Prado (2018) mengidentifikasi non-stasioneritas rezim sebagai mode kegagalan utama dari ML keuangan.
Sensitivitas: pilot yang dilatih pada 2003-2022 menghasilkan kerugian validasi 10-12% lebih buruk daripada yang dijalankan dari 2010 ke atas.
Kinerja langsung
Setiap prediksi yang ECHObuat dicatat dan dievaluasi secara real-time menggunakan barrier. Angka-angka ini hanya mencerminkan posisi yang sudah ditutup dan diperbarui secara berkelanjutan.
Kinerja masa lalu tidak menjamin hasil di masa depan. Hasil forward-test mencerminkan simulasi barrier risiko/imbalan 1:3; hasil sebenarnya mungkin berbeda karena slippage, spread, dan likuiditas.
Keterbatasan jujur
Uji paparan rezim-Bull
Jendela 15-minggu di luar sampel adalah periode dengan bias bullish. Performa model dalam rezim bear (gaya 2022-Q4) belum terverifikasi dan kemungkinan jauh lebih rendah.
Biaya transaksi tidak dimodelkan
Pengembalian headline tidak termasuk biaya pulang-pergi (~0,05-0,30% pada instrumen ini). Pengembalian dunia nyata akan lebih rendah; angka headline adalah batas atas.
Train/test simbol yang sama
Model dilatih dan diuji pada universe simbol yang sama (pembagian waktu). Kami memvalidasi generalisasi temporal, bukan generalisasi universe ke ticker yang tidak terlihat.
Apa yang kami yakini
Keterampilan arah di atas peluang acak (tingkat kemenangan R/R simetris 1:1 adalah 51.5%) dan pelatihan yang reprodusibel: kami telah melatih ulang dari awal 3+ kali dengan hiperparameter identik dalam ±1% val loss.
Baca makalah lengkap
Laporan teknis setara publikasi: pembersihan data, pendalaman arsitektur, dinamika pelatihan, metodologi simulasi hambatan, hasil jendela penuh, analisis sensitivitas, dan diskusi keterbatasan yang jujur. ~7.000 kata.
Bandingkan di Kelima
Setiap model dalam Zirdle Five menangani rezim perdagangan yang berbeda. Kembali ke ikhtisar untuk melihat bagaimana mereka dibandingkan dalam hal tingkat kemenangan, ukuran alam semesta, dan hasil di luar sampel.