ATLAS
仅基于OHLCV的指数和超大市值基准
承载世界的泰坦——稳定的基础
什么ATLAS做
极简主义者。ATLAS仅使用五个原始OHLCV通道——无指标。五池中最小的（2.4M参数），在对称1:1 R/R下胜率最高，并且是我们模型中最保守的一个。
广泛市场趋势跟随，保守的R/R
工作原理
ATLAS是一个因子化通道×时间注意力变换器。它查看一个120柱的上下文窗口，涉及5个输入通道，并预测接下来5柱的完整分布。
前向传播：输入OHLCV + 指标通道 → 分块嵌入 → 交替空间/时间注意力层 → 池化为单一嵌入 → MLP头预测每个视界步的7个分位数等级。
输入通道
每根K线均按每个窗口进行z分数归一化（仅使用上下文统计数据），因此模型看到的是相对变动而非绝对价格。
输出
数据与训练
范围
120符号
indices_and_megacaps
符号是构成交易的流动且可交易的金融工具ATLAS的训练人群。每个预测周期对相同的宇宙运行前向测试，因此绩效数字不会被挑选结果。
为什么这样选择训练窗口
我们有意排除了2010年之前的数据。小数化前的时代（直至2001年4月的分数制度）、高频率交易出现前（≤2007年）以及2007-2009年的信贷危机所反映的是已不复存在的市场结构。对于2.4 M参数而言，在该时期中消耗计算能力会噪声性强，与当前市场权重竞争——López de Prado（2018年）认为，市场体制的不稳定性是金融机器学习的主要失效模式。
灵敏度：基于2003-2022年数据的试运行相较于2010年之后的数据，验证损失高出10–12%。
实时表现情况
每一项预测ATLAS的做出都被实时记录并通过障碍进行评估。这些数字仅反映已平仓交易，并持续更新。
过往表现不保证未来结果。前向测试结果基于1:3 R/R障碍模拟；实际成交结果可能因滑点、点差和流动性而异。
诚实的局限性
牛市行情测试敞口
15周样本外窗口为偏牛市时期。模型在熊市行情（2022年第四季度风格）中的表现未经证实，且很可能显著降低。
未建模的交易成本
公布的收益率未包含往返费用（此类工具约0.05%-0.30%）。实际收益率将更低；公布数字为上限。
同标的训练/测试
模型在同一标的市场中训练并测试（时间分割）。我们验证的是时间泛化能力，而非对未见代码的标的泛化能力。
我们有信心的方面
方向性技能高于随机概率（对称1:1回报风险比的胜率为51.8%）且训练可重现：我们使用完全相同的超参数从头开始重新训练了3次或以上，验证损失波动在±1%以内。