الانتباه وتداول الزخم عبر LSTM في الأسهم

الملخص

يكيّف هذا البحث بنية محوّل الزخم لتطبيقها على الأسهم، ويقارن استخدامها المقصود باستراتيجيات زخم السلاسل الزمنية والارتداد إلى المتوسط. ويجمع النموذج بين آلية الانتباه، التي تربط المعلومات عبر نافذة التدريب، وLSTM الذي يعالج الأنماط المتسلسلة. ويعرض المؤلفون هذا الجمع بوصفه وسيلة لالتقاط الاعتماديات الأطول أجلاً والاستجابة لتغير ظروف السوق، بما فيها جائحة كوفيد.

يبلغ متوسط العائد المذكور 4.14%، ويوصف بأنه مماثل لنتائج الورقة السابقة، بينما تبلغ نسبة شارب المتوسطة 1.12. ويعزو المؤلفون انخفاض نسبة شارب مقارنة بذلك العمل إلى ارتفاع تقلب الأسهم عن العقود الآجلة ومؤشرات الأسهم. ولا يقدم الوصف الموجز تفاصيل عن فترة الاختبار أو نطاق الأسهم أو افتراضات تكاليف المعاملات أو نتائج المعايير المرجعية أو عدم اليقين الإحصائي، لذا لا تكفي الأرقام وحدها لتقييم المتانة أو أداء التداول الفعلي.

الأفكار الرئيسية

• تطبق الدراسة بنية محوّل الزخم على الأسهم.
• يجمع النموذج بين آلية الانتباه وLSTM لتمثيل الأنماط المتسلسلة والبعيدة المدى.
• يقارن المؤلفون النهج باستراتيجيات زخم السلاسل الزمنية والارتداد إلى المتوسط.
• يذكرون متوسط عائد قدره 4.14% ونسبة شارب متوسطة قدرها 1.12.
• تفتقر النتائج المذكورة إلى تفاصيل لازمة لتقييم المتانة أو تكاليف التنفيذ.

الوسوم

# Enhanced Momentum with Momentum Transformers


# Enhanced Momentum with Momentum Transformers









The primary objective of this research is to build a Momentum Transformer that is expected to outperform benchmark time-series momentum and mean-reversion trading strategies. We extend the ideas introduced in the paper Trading with the Momentum Transformer: An Intelligent and Interpretable Architecture to equities as the original paper primarily only builds upon futures and equity indices. Unlike conventional Long Short-Term Memory (LSTM) models, which operate sequentially and are optimized for processing local patterns, an attention mechanism equips our architecture with direct access to all prior time steps in the training window. This hybrid design, combining attention with an LSTM, enables the model to capture long-term dependencies, enhance performance in scenarios accounting for transaction costs, and seamlessly adapt to evolving market conditions, such as those witnessed during the Covid Pandemic. We average 4.14% returns which is similar to the original papers results. Our Sharpe is lower at an average of 1.12 due to much higher volatility which may be due to stocks being inherently more volatile than futures and indices.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.