ECHO
15-minutters mean-reversion på ETF-er og volatilitetsprodukter
Fjellnymfe hvis stemme vender tilbake – pris vender tilbake til virkelig verdi
Hva ECHO gjør
ECHO fanger markedets tilbakevending til virkelig verdi – ekkoet. Trent på 37 reversjonsvennlige instrumenter (brede ETF-er, vol-produkter, renter, råvarer) og bevisst blind for trendindikatorer.
Kort horisont mean reversion i volatile/range-bundne regimer
Slik fungerer det
ECHO er en faktorisert kanal × tid oppmerkings-transformator. Den ser på et 160-bars kontekstvindu med 12 inngangskanaler, og predikerer hele fordelingen for de neste 4 stolpene.
Fremoverpass: input OHLCV + indikatorkanaler → patch-embedded → vekslende rom/tid oppmerksomhetslag → pooled til en enkelt embedding → MLP-hode forutsier 7 kvantilnivåer per horisonttrinn.
Inngangskanaler
Hver stolpe er z-score normalisert per vindu ved bruk av kontekst-only statistikk, slik at modellen ser relative bevegelser i stedet for absolutte priser.
Utdata
Data og trening
Univers
37 symboler
mean_revert_universe
Symboler er de likvide, omsettelige instrumentene som utgjør ECHO's treningspopulasjon. Hver prediksjonssyklus kjører fremover-tester på samme univers, så avkastningstallene er ikke plukket ut.
Hvorfor dette treningsvinduet
Vi utelater bevisst data før 2010. Den føderale perioden (fraksjoner frem til april 2001), før-HFT-regimet (≤2007), og kredittkrisen 2007-2009 reflekterer en markedsstruktur som ikke lenger eksisterer. Ved 3.3 M parametere er det å bruke kapasitet på dette regimet støy som konkurrerer med vekter for dagens marked — López de Prado (2018) identifiserer regime ikke-stasjonaritet som den primære feilmodusen i finansiell ML.
Sensitivitet: en pilot trent på 2003-2022 hadde 10-12 % dårligere valideringstap sammenlignet med kjøringen fra 2010 og fremover.
Live ytelse
Hver prediksjon ECHO gjør blir logget og barriere-evaluert i sanntid. Disse tallene gjelder kun avsluttede handler og oppdateres kontinuerlig.
Tidligere resultater garanterer ikke fremtidige resultater. Fremover-testresultater reflekterer 1:3 R/R barriere-simulering; live resultater kan avvike på grunn av slipp, spreads og likviditet.
Ærlige begrensninger
Eksponeringstest i bull-regime
15-ukers out-of-sample-vinduet var en periode med bull-bias. Modellens ytelse i bear-regimer (2022-Q4-stil) er ubekreftet og sannsynligvis vesentlig lavere.
Transaksjonskostnader ikke modellert
Avkastningstallene ekskluderer round-trip-gebyrer (~0,05-0,30 % på disse instrumentene). Faktisk avkastning vil være lavere; oppgitte tall er øvre grenser.
Tren/test med samme symbol
Modellen ble trent og testet på samme symbolunivers (tidssplitt). Vi validerer temporal generalisering, ikke universgeneralering til usette tickere.
Hva vi er trygge på
Retningsdyktighet over tilfeldig sjanse (symmetrisk 1:1 R/R-gevinstprosent er 51.5) og reproduserbar trening: Vi har retrent fra bunnen av 3+ ganger med identiske hyperparametre innenfor ±1 % val-distap.
Les hele rapporten
Publiseringsdybde teknisk rapport: datarensing, arkitektur-dypdykk, treningsdynamikk, barriere-simuleringsmetodikk, full-vindustresultater, sensitivitetsanalyser og ærlig begrensningsdiskusjon. ~7000 ord.
Sammenlign på tvers av de fem
Hver modell i Zirdle Five takler en annen handelsregime. Gå tilbake til oversikten for å se hvordan de måler seg mot hverandre på seierrate, universstørrelse og utvalgsresultater.