ECHO
ETF與波動性產品的15分鐘均值回歸
山間仙女，其聲迴盪——價格回歸公允價值
什麼ECHO如何
ECHO捕捉市場回歸公允價值的回聲。訓練於37個均值回歸友善的工具（廣泛ETF、波動性產品、利率、商品），且刻意忽略趨勢指標。
震盪/區間市場中的短周期均值回歸
運作方式
ECHO 是一個因式化的頻道 × 時間注意力轉換器。它檢視一段160 根 K 棒的情境視窗，其中包含12 個輸入通道，並預測下一4 根 K 棒的完整分佈。
前向傳播：輸入 OHLCV + 指標通道 → 分塊嵌入 → 交替的空間/時間注意力層 → 匯總為單個嵌入 → MLP 頭為每個預測步長預測 7 個分位數水平。
輸入通道
每根 K 棒在每個視窗內使用情境統計量進行 Z 分數標準化，因此模型關注的是相對變動而非絕對價格。
輸出
數據與訓練
領域
37 象徵
mean_revert_universe
符號是構成...ECHO的訓練群體。每次預測週期皆在同一標的池中進行前測，因此績效數字並非精心篩選的結果。
為何選擇此訓練區間
我們刻意排除2010年之前的數據。小數化前（2001年4月前為分數報價）、高頻交易時代前期（≤2007年）以及2007-2009年信用危機時期的市場結構已不復存在。在3.3 M的參數設定下，將運算能力耗費在該時期等同於引入雜訊，與當前市場爭奪權重——López de Prado（2018）指出，體制非穩態性是金融機器學習的主要失敗模式。
敏感度測試：一個以2003-2022年資料訓練的模型，其驗證損失比2010年後的模型高出10-12%。
實際表現
所產生的每筆預測ECHO皆會即時紀錄並以屏障進行評估。這些數字僅反映已平倉交易，並持續更新。
過去表現不代表未來結果。前測結果反映1:3盈虧比屏障模擬；實際交易結果可能因滑價、點差與流動性而有所不同。
誠實的局限性
牛市情境測試曝險
15週的樣本外期間為偏多時期。模型在熊市情境（2022年第四季風格）的表現未經驗證，且很可能顯著較低。
未納入交易成本
標題回報率未納入往返手續費（此類工具約0.05-0.30%）。實際回報將會較低，標題數字為上限值。
相同代碼訓練/測試
模型是在相同的代碼範圍上進行訓練和測試（時間分割）。我們驗證的是時間上的泛化能力，而非對未見過標的代碼的整體泛化能力。
我們有信心的事項
方向性能力優於隨機機率（對稱1:1風險回報勝率為51.5%) and reproducible training: we've retrained from scratch 3+ times with identical hyperparameters within ±1% val loss.
閱讀完整論文
Publishing-detail technical report: data cleaning, architecture deep-dive, training dynamics, barrier-simulation methodology, full-window results, sensitivity analyses, and honest-limitations discussion. ~7,000 words.
Compare across the Five
Every model in the Zirdle Five tackles a different trading regime. Head back to the overview to see how they stack up on win-rate, universe size, and out-of-sample returns.