ECHO
Reorientacja do średniej w 15-minutowych interwałach na ETF-ach i instrumentach zmienności
Górska nimfa, której głos powraca — cena wraca do wartości godziwej
CoECHOrobi
ECHO wychwytuje powrót rynku do wartości godziwej — echo. Wyszkolony na 37 instrumentach sprzyjających reorientacji (szerokie ETF-y, produkty zmienności, stopy procentowe, surowce) i celowo ignoruje wskaźniki trendów.
Krótkookresowa reorientacja do średniej w zmiennych/poruszających się bocznie warunkach
Jak to działa
ECHO to sfaktorowany transformer uwagi kanał-czas. Patrzy na 160-bar context window of 12 kanałów wejściowych i przewiduje pełny rozkład kolejnych 4 słupków.
Przejście do przodu: wejściowe OHLCV + kanały wskaźników → osadzanie w łatkach → naprzemienne warstwy uwagi przestrzennej/czasowej → łączenie do pojedynczej reprezentacji → głowa MLP przewiduje 7 poziomów kwantyla na krok horyzontu.
Kanały wejściowe
Każdy słupek jest normalizowany metodą z-score dla każdego okna przy użyciu statystyk tylko z kontekstu, aby model widział względne ruchy, a nie ceny bezwzględne.
Wyjście
Dane i trenowanie
Uniwersum
37 symbole
mean_revert_universe
Symbole to płynne, zbywalne instrumenty, które tworzą ECHO's populacja treningowa. Każdy cykl predykcyjny przeprowadza testy forward na tym samym uniwersum, więc wyniki wydajności nie są wybierane losowo.
Dlaczego to okno treningowe
Celowo wykluczamy dane sprzed 2010 roku. Okres przed decimalizacją (ułamki do kwietnia 2001), reżim przed HFT (≤2007) oraz kryzys kredytowy 2007–2009 odzwierciedlają strukturę rynku, która już nie istnieje. Przy parametrach 3.3 M, wykorzystywanie mocy obliczeniowej na tym reżimie to szum konkurujący o wagi z obecnym rynkiem — López de Prado (2018) identyfikuje niestacjonarność reżimów jako główną przyczynę awarii uczenia maszynowego w finansach.
Czułość: pilotaż trenowany na latach 2003–2022 wykazał stratę walidacyjną o 10–12% gorszą niż uruchomienie na danych od 2010 roku.
Rzeczywista wydajność
Każda predykcja ECHO jest rejestrowana i oceniana w czasie rzeczywistym w warunkach barierowych. Te liczby odnoszą się tylko do zamkniętych transakcji i są stale aktualizowane.
Wyniki z przeszłości nie gwarantują przyszłych rezultatów. Wyniki testów forward odzwierciedlają symulację barier z R/R 1:3; rzeczywiste wyniki mogą się różnić ze względu na poślizg, spread i płynność.
Uczciwe ograniczenia
Test ekspozycji w okresie byczym
15-tygodniowe okno pozapróbkowe było okresem z tendencją wzrostową. Wydajność modelu w okresach bessy (styl Q4 2022) nie jest potwierdzona i prawdopodobnie jest znacząco niższa.
Koszty transakcyjne nieuwzględnione
Przedstawione stopy zwrotu nie uwzględniają opłat za transakcje w obie strony (ok. 0,05-0,30% dla tych instrumentów). Rzeczywiste stopy zwrotu będą niższe; podane wartości są górnymi granicami.
Trening i test na tych samych symbolach
Model był trenowany i testowany na tym samym uniwersum symboli (podział czasowy). Weryfikujemy generalizację czasową, a nie generalizację na niewidziane tickery.
Co nas jest pewne
Umiejętność kierunkowa przewyższająca przypadkowość (symetryczny wskaźnik wygranych przy R/R 1:1 to 51.5%) i powtarzalny trening: przeprowadziliśmy trening od zera 3+ razy z identycznymi hiperparametrami, osiągając ±1% straty walidacyjnej.
Przeczytaj pełny artykuł
Publikacyjny raport techniczny: czyszczenie danych, głębokie zanurzenie w architekturę, dynamika treningu, metodologia symulacji barier, wyniki pełnego okna, analizy wrażliwości i szczera dyskusja ograniczeń. ~7000 słów.
Porównaj wśród Pięciu
Każdy model w Zirdle Five radzi sobie z innym reżimem handlowym. Wróć do przeglądu, aby zobaczyć, jak wypadają pod względem wskaźnika wygranych, wielkości uniwersum i pozapróbkowych zwrotów.