Aufmerksamkeit und LSTM-Momentum-Trading mit Aktien

Zusammenfassung

Diese Forschung überträgt eine Momentum-Transformer-Architektur auf Aktien und vergleicht ihren vorgesehenen Einsatz mit Zeitreihen-Momentum- und Mittelwertrückkehrstrategien. Das Modell verbindet Aufmerksamkeit, die Informationen über das Trainingsfenster hinweg verknüpfen kann, mit einem LSTM, das sequenzielle Muster verarbeitet. Die Autoren stellen diese Kombination als Möglichkeit dar, längerfristige Abhängigkeiten zu erfassen und auf wechselnde Marktbedingungen, einschließlich der Covid-Pandemie, zu reagieren.

Die berichtete Durchschnittsrendite beträgt 4.14% und wird als ähnlich zu den Ergebnissen der früheren Arbeit beschrieben; die durchschnittliche Sharpe Ratio beträgt 1.12. Die Autoren führen die niedrigere Sharpe Ratio gegenüber jener Arbeit auf die höhere Volatilität von Aktien im Vergleich zu Futures und Aktienindizes zurück. Die Kurzbeschreibung enthält keine Angaben zum Testzeitraum, Aktienuniversum, zu Transaktionskostenannahmen, Benchmark-Ergebnissen oder statistischer Unsicherheit. Daher reichen die Zahlen allein nicht aus, um Robustheit oder Performance im Live-Trading zu beurteilen.

Kernaussagen

• Die Studie wendet eine Momentum-Transformer-Architektur auf Aktien an.
• Das Modell verbindet Aufmerksamkeit mit einem LSTM, um sequenzielle und längerfristige Muster abzubilden.
• Die Autoren vergleichen den Ansatz mit Zeitreihen-Momentum- und Mittelwertrückkehrstrategien.
• Sie berichten eine durchschnittliche Rendite von 4.14% und eine durchschnittliche Sharpe Ratio von 1.12.
• Den berichteten Ergebnissen fehlen Angaben, die zur Beurteilung von Robustheit und Umsetzungskosten erforderlich wären.

Schlagwörter

# 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.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.