ECHO
ETF与波动率产品的15分钟均值回归
山间回音女神之声——价格回归公允价值
什么ECHO做
ECHO捕捉市场回归公允价值——即“回声”。模型基于37种均值回归友好型工具（宽基ETF、波动率产品、利率、大宗商品）进行训练，并刻意屏蔽趋势指标。
震荡/区间行情中的短时均值回归
工作原理
ECHO是一个因子化通道×时间注意力变换器。它查看一个160柱的上下文窗口，涉及12个输入通道，并预测接下来4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
37符号
mean_revert_universe
符号是构成交易的流动且可交易的金融工具ECHO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3.3 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ECHO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51.5%）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。