ECHO
基於ETF和波動率產品的15分鐘均值回歸
山中仙女，聲響迴盪——價格回歸公允價值
是什么？ECHO什么
ECHO捕捉市場回歸公允價值的過程。該策略基於37個與均值回歸相關的金融工具（涵蓋寬基ETF、波動率產品、利率及大宗商品），並刻意忽略趨勢指標。
短週期在震盪/區間市場中的均值回歸
工作原理
ECHO是一个因式分解的通道×时间注意力变换器。它查看160的-条上下文窗口，其中包含12个输入通道，并预测接下来4条数据的完整分布。
前向传播：输入 OHLCV + 指标通道 → 分块嵌入 → 交替的空间/时间注意力层 → 池化为单一嵌入 → MLP 头部预测每步前进的 7 个分位数水平。
输入通道
每个条数据通过仅使用上下文统计信息进行窗口内的z分数归一化，因此模型看到的的是相对变化而非绝对价格。
输出
数据与训练
宇宙
37符号
mean_revert_universe
符号是指构成……的流动性、可交易工具。ECHO的训练群体。每个预测周期在同一范围内运行前向测试，因此绩效数据不是精心挑选的。
为什么选择这个训练窗口
我们特意排除了2010年之前的数据。小数化之前的阶段（2001年4月之前的分数），高频交易之前的体制（≤2007年），以及2007-2009年的信贷危机反映了一个已不复存在的市场结构。在3.3 M参数下，花在该体制上的容量只是与当前市场争夺权重的噪音——López de Prado（2018）指出，体制非平稳性是金融机器学习失败的主要模式。
敏感性：在2003-2022年数据上训练的试点验证损失比2010年之后的运行高出10%至12%。
实际运行表现
每次预测ECHO都会实时记录并进行屏障评估。这些数字仅反映已平仓的交易，并持续更新。
过往表现不代表未来结果。前向测试结果反映了1:3 R比率屏障模拟；实际结果可能因滑点、点差和流动性而有所不同。
诚实的局限性
牛市机制测试暴露
15周的样本外窗口是一个偏向牛市的时期。模型在熊市机制（如2022-Q4模式）下的表现尚未验证，且很可能显著降低。
未考虑交易成本
标榜的回报排除了这类工具约为0.05-0.30%的往返费用。实际回报将低于标榜的数字，标榜数字是上限值。
相同代码的训练/测试
模型在相同的股票代码集合上进行训练和测试（时间分割）。我们验证的是时间泛化能力，而并非跨未见代码的泛化能力。
我们的信心所在
方向性判断能力优于随机概率（对称的1:1盈亏比胜率为51.5%），且训练过程可复现：我们已经使用相同的超参数从零开始重新训练了3次以上，验证损失波动在±1%以内。