Technische Samenvatting: Historical-Memory Equity Selection

1. Probleemstelling

De studie behandelt twee primaire uitdagingen in financiële machine learning:

1. Forecasting op intermediaire horizon: Kunnen moderne sequentiemodellen, specifiek die in staat zijn om lange contexten te representeren (bijv. Transformers), effectief bijdragen aan besluitvorming voor aandelenselectie die wordt vastgehouden voor intermediaire perioden (specifiek 63 handelsbeurssessies), in plaats van alleen voor high-frequency of zeer korte termijn horizonten?
2. Inspecteerbaarheid van de beslissingslogica: Kan een begrensde, taakspecifieke numerieke geheugenconstructie worden gebouwd om de basis van een voorspelling inspecteerbaar en controleerbaar te maken zonder te vertrouwen op open-ended taalmodellen of Retrieval-Augmented Generation (RAG)-lagen?

De auteurs merken op dat hoewel sequentiemodellen geavanceerd zijn, financiële forecasting wordt bemoeilijkt door de trage realisatie van uitkomsten, regimeveranderingen en het feit dat voorspellingsnauwkeurigheid niet noodzakelijkerwijs vertaalt naar winstgevende portefeuilleselectie na rekening te houden met handelskosten en pad-afhankelijke exits.

2. Methodologie

Data en Universum

• Universum: Een panel van 103 liquide aandelen over zes markten (VS, India, China, Brazilië, Frankrijk, VK), geselecteerd uit 108 kandidaten op basis van continuïteit en locatiecriteria. Het panel is onderhevig aan survivorship-conditionering.
• Tijdskader: De evaluatie bestrijkt zes continue jaren (2020–2025) met behulp van zes jaarlijkse walk-forward folds.
• Features: 23 technische prijs-volume features (rendementen, momentum, volatiliteit, volume, voortschrijdende gemiddelden, drawdown, prijslocatie).
• Input Representatie: Een "pooled-window" systeem construeert 42 niet-overlappende zes-sessie gemiddelden vanuit de 252-daagse vertraagde window, wat resulteert in een 966-dimensionale vector ($42 \times 23$). Dit verwijdert de intra-patch dagelijkse orde.
• Target: Een 63-sessie voorwaarts rendement ($r_{63}$) berekend op model-gecorrigeerde prijzen (gesplitst/dividend gecorrigeerd), dienend als forecasting label en ranking proxy.

Framework Componenten

De studie implementeert een framework waarbij voorspellingen worden geconstrueerd uit in aanmerking komende historische records, hun voltooide rendementen en een expliciete aggregatieregel. Het geheugen opereert naast of onafhankelijk van neurale voorspellers.

1. Historisch Geheugen (Similarity Retrieval):

   • In aanmerking komen: Records moeten een voltooid 126-sessie uitkomstvenster hebben. Exacte matches van hetzelfde ticker-symbool worden uitgesloten. Geselecteerde precedenten van dezelfde ticker moeten minstens 21 sessies uit elkaar liggen, met een limiet van drie per ticker.
   • Retrieval: Voor een query selecteert het systeem $k=25$ precedenten op basis van de Euclidische afstand tussen gestandaardiseerde pooled feature windows.
   • Aggregatie: De voorspelling is het rekenkundig gemiddelde van de 63-sessie rendementen van de 25 geselecteerde precedenten.
   • Auditbaarheid: Het proces is volledig decomponeerbaar in eligibility checks, geselecteerde ID's, afstanden en rendementen, wat een "citatie-achtige" audit trail biedt.

2. Neurale Voorspellers:

   • Temporal Transformer: Accepteert de (42, 23) pooled windows, projecteert patches naar breedte 64, en gebruikt twee encoder lagen (4 heads, feed-forward breedte 128) met attention pooling en een scalaire head.
   • MLP: Verwerkt de geflaten 966-dimensionale vector door lagen (966 → 64 → 128 → 1) met LayerNorm en GELU activaties.
   • Beide gebruiken deterministische checkpoints (seeds 7, 17, 37).

3. Mixing en Gating:

   • Fixed Mixtures: Lineaire combinaties van de neurale voorspelling ($\hat{r}_{base}$) en de geheugenvoorspelling ($\hat{r}_{mem}$) met behulp van een coëfficiënt $\lambda$ die via grid search (MSE of Sharpe objectieven) op ontwikkelingsdata is geselecteerd.
   • Adaptive Gates: Een logistische gate ($g = \text{sigmoid}(a^T z + b)$) weegt de twee voorspellingen dynamisch op basis van magnitude en discrepantie-diagnostiek ($| \hat{r}_{base} |$, $| \hat{r}_{base} - \hat{r}_{mem} |$, $| \hat{r}_{mem} |$).

4. Portefeuille Executie:

   • Allocatie: Scores worden volatiliteit-geschaald ($S = \hat{r} / (v_{21} + 10^{-4})$).
   • Restricties: Long-only, maximaal drie posities per account, uitgevoerd bij de volgende opening.
   • Exit Regels: Trailing stop (Chandelier stijl) gebaseerd op ATR, met een 63-sessie holding plafond.
   • Kosten: 10 bps commissie + 5 bps gemodelleerde slippage per zijde.

Controls en Baselines

De studie vergelijkt 16 policies, inclusief:

• Memory Controls: Random eligible retrieval, onvoorwaardelijk historisch gemiddelde (historische prior) en plain KNN (zonder de 3-per-ticker/21-sessie restricties).
• Neural Controls: Direct MLP, Direct Transformer, en hun mixtures/gates.
• Financiële Benchmarks: 21-sessie momentum, volatiliteit-geschaald momentum, en een passieve equal-weight buy-and-hold.

3. Belangrijkste Resultaten

Prestatie Metrics (2020–2025)

De primaire metric is de mean-market Sharpe ratio, berekend over 204 continue markt/run accounts.

• Passive Equal Weight: Behaalde de hoogste mean-market Sharpe (0.636) en genormaliseerde return (11.91%).
• Neural Baselines: Jaarlijkse Ridge regressie gevolgd door een Sharpe van 0.444. Directe MLP en Transformer modellen varieerden tussen 0.274 en 0.383.
• Memory Performance:
  • Similarity Memory (Retrieval): Sharpe van 0.245 en genormaliseerde return van 2.99%.
  • Vergelijking: Similarity memory presteerde slechter dan Random Memory (Sharpe 0.423) en de Historical Prior (Sharpe 0.352).
  • Statistische Significantie: Alle zes de primaire contrasten die similarity memory vergeleken met controls (Random, Prior, KNN, Ridge, MLP, Transformer) leverden negatieve punt-schattingen op. Na de Holm-correctie waren geen van de verschillen statistisch significant op het 5% niveau (Holm-gecorrigeerde p-waarden varieerden tussen 0.7487 en 1.0000).

Specifieke Bevindingen

• Geen Incrementele Waarde: De geïmplementeerde similarity selectie regel voegde geen portefeuillewaarde toe ten opzichte van eenvoudigere alternatieven (random retrieval, historisch gemiddelde) of neurale baselines.
• Gate vs. Mixture: Adaptive gating presteerde niet statistisch beter dan fixed Sharpe-geselecteerde mixtures.
• Marktheterogeniteit: Similarity memory toonde positieve Sharpe ratio's in Brazilië, India, VK en de VS, maar negatieve ratio's in China en Frankrijk. Echter, dit waren geen benchmark-overwinningen.
• Omkering van Bewijs: De resultaten streden in tegen eerdere single-year (2024) ontwikkelingsbewijzen, waar memory-gebaseerde benaderingen veelbelovend leken. De auteurs schrijven deze omkering toe aan factoren zoals bredere regime-dekking, de gepoolde representatie, of de Euclidische afstand metric, hoewel geen enkele oorzaak geïsoleerd kon worden.

4. Bijdragen en Betekenis

Primaire Bijdragen

1. Gespecificeerde Interface: Het paper definieert een rigoureuze interface tussen geheugenconstructie, neighbor selectie, voorspellingsaggregatie en portefeuille executie. Dit maakt het mogelijk om de retrieval mechanisme apart te auditeren van de neurale voorspeller.
2. Gelijke Vergelijking: Het biedt een gematchte vergelijking van 16 policies met gepaarde inferentie voor dezelfde mean-market Sharpe statistiek, waarbij de beschikbare informatie set wordt gecontroleerd.
3. Inspecteerbaarheid: Het framework demonstreert dat een begrensde numerieke geheugen de retrieval berekening decomponeerbaar en controleerbaar kan maken op caseniveau zonder een taalmodel te vereisen.

Bescheiden Claims en Limitaties

De auteurs stellen expliciet dat:

• De studie niet beweert dat de geheugenlaag betrouwbaarheid, correctheid of regelgevende naleving garandeert.
• De resultaten negatief bewijs vertegenwoordigen met betrekking tot de specifieke geïmplementeerde similarity regel (Euclidische afstand op gepoolde technische features) in plaats van een algemene verwerping van geheugenconcepten.
• De evaluatieperiode (2020–2025) tijdens de ontwikkeling werd geïnspecteerd en het universum is survivorship-conditioned; derhalve zijn de resultaten onderzoeks-simulaties met beperkingen wat betreft data-vintage en bedrijfsacties.
• Het framework de retrieval bijdrage identificeerbaar maakt, maar de meerjarige bewijslast geen incrementeel portefeuillevoordeel toont voor de geïmplementeerde analoge regel of adaptive gates over passieve equal-weight of eenvoudige neurale baselines.

Conclusie

De centrale les is dat een inspecteerbaar geheugenmechanisme en een winstgevend similarity signaal twee verschillende prestaties zijn. Hoewel het framework erin slaagt om historische bewijslast te koppelen aan voorspellingen op een transparante manier, bieden de huidige meerjarige resultaten geen incrementeel portefeuillevoordeel voor de geïmplementeerde analoge regel of adaptive gates boven passieve equal-weight of eenvoudige neurale baselines. Toekomstig werk zou zich moeten richten op het testen van alternatieve state representaties en afstand-maten onder hetzelfde gematchte-control design.