Cross-Sectional Asset Retrieval via Future-Aligned Soft Contrastive Learning

Riassunto Tecnico: FASCL (Future-Aligned Soft Contrastive Learning)

1. Il Problema: Il Limite del "Backward-Looking"

Nel contesto dell'investimento quantitativo, l'asset retrieval (trovare asset simili all'interno di un universo finanziario) è fondamentale per la costruzione di portafogli, il pairs trading e la gestione del rischio.

Il problema centrale identificato dagli autori è che i metodi tradizionali sono "backward-looking" (orientati al passato): utilizzano la correlazione storica dei prezzi, il Dynamic Time Warping (DTW) o le classificazioni settoriali (GICS) per definire la similarità. Tuttavia, la similarità passata non garantisce una similarità futura. In finanza, l'obiettivo non è trovare asset che hanno mosso in modo simile, ma asset che si muoveranno in modo simile. I modelli esistenti di representation learning spesso falliscono perché ottimizzano la ricostruzione del segnale o la previsione puntuale, perdendo la struttura relazionale cross-settoriale necessaria per il retrieval.

2. Metodologia Proposta: FASCL

Gli autori introducono il framework FASCL (Future-Aligned Soft Contrastive Learning), che sposta il focus dalla similarità dell'osservazione (come appare il grafico) alla similarità dell'esito (come si comporterà il prezzo).

A. Architettura dell'Encoder:
Il modello utilizza un Transformer Encoder basato sul paradigma dei patch.

1. Input: Serie temporali multivariate (Open, High, Low, Close, Volume, Trading Value) normalizzate tramite z-score.
2. Patching: La serie temporale viene divisa in segmenti (patches) non sovrapposti per catturare pattern locali.
3. Embedding: Un token [CLS] e degli embedding posizionali vengono elaborati attraverso blocchi Transformer con Multi-Head Self-Attention per generare un embedding vettoriale fisso $z_i$ per ogni asset.

B. Obiettivo di Apprendimento (Soft Contrastive Loss):
A differenza del contrastive learning standard (come InfoNCE), che utilizza etichette binarie (positivo/negativo), FASCL utilizza un approccio "soft" basato su target continui:

• Target di Supervisione: Invece di usare l'aumento dei dati, il modello calcola la correlazione di Pearson tra i rendimenti futuri di coppie di asset in un orizzonte temporale $H$.
• Distribuzione Target ($p_{ij}$): La matrice di correlazione futura viene trasformata in una distribuzione di probabilità tramite una softmax scalata da una temperatura $\tau_t$.
• Distribuzione Predetta ($q_{ij}$): Il modello calcola la similarità del coseno tra gli embedding prodotti dall'encoder.
• Loss Function: Si minimizza la divergenza KL (Kullback-Leibler) tra la distribuzione target (correlazione futura) e quella predetta (similarità degli embedding). Questo permette di assegnare pesi graduati: asset con correlazione futura dell'80% vengono "attratti" molto più di quelli con correlazione al 30%.

3. Contributi Chiave

1. Nuovo Obiettivo di Loss: L'introduzione della Future-Aligned Soft Contrastive Loss, che allinea direttamente lo spazio degli embedding con la dinamica dei rendimenti futuri.
2. Protocollo di Valutazione Innovativo: Gli autori non si limitano a metriche di errore di previsione, ma introducono metriche specifiche per il retrieval:
   • TC@K (Trend Consistency): Frazione di asset che hanno la stessa direzione di movimento del query.
   • FRC@K (Future Return Correlation): Correlazione media dei rendimenti futuri tra query e asset recuperati.
   • IC@K (Information Coefficient): Capacità del consenso degli asset recuperati di classificare correttamente gli asset cross-sectionalmente.
3. Benchmark Standardizzato: Un dataset rigoroso su 4.229 titoli USA con una suddivisione temporale che evita il look-ahead bias.

4. Risultati Sperimentali

Il modello è stato confrontato con 13 baseline (tra cui modelli statistici, modelli di forecasting come PatchTST e modelli di foundation come Chronos e MOMENT).

• Superiorità nelle metriche di comportamento futuro: FASCL supera sistematicamente tutti i modelli in FRC@K, TC@K e IC@K. In particolare, l'incremento nell'IC@K suggerisce che il modello è estremamente efficace per la costruzione di portafogli.
• Efficienza: Nonostante la complessità, il modello è estremamente veloce nel retrieval (quasi istantaneo), rendendolo adatto a contesti di produzione, a differenza di metodi come il DTW.
• Visualizzazione (t-SNE): Le visualizzazioni mostrano che lo spazio degli embedding organizza naturalmente gli asset per rendimenti futuri (gradienti di colore), per settore GICS (anche senza etichette fornite) e per appartenenza a ETF tematici, dimostrando una capacità di astrazione superiore.
• Scalabilità nel Trading (Spread Trading): In un backtest di pairs trading, mentre le performance delle altre baseline degradano all'aumentare del numero di asset nel paniere ($K$), le performance di FASCL (misurate tramite lo Sharpe Ratio) migliorano, dimostando che la sua capacità di ranking è robusta anche per asset meno "vicini" ma comunque correlati.

5. Significenza e Conclusioni

Il lavoro è significativo perché ridefinisce il problema del retrieval finanziario: non si tratta di trovare "gemelli visivi" nel passato, ma di trovare "partner comportamentali" nel futuro. FASCL dimostra che l'integrazione diretta di segnali di rendimento continui nel processo di apprendimento delle rappresentazioni permette di catturare la struttura latente del mercato in modo molto più efficace rispetto ai metodi basati sulla sola osservazione storica o sulla previsione puntuale.