Momentum Transformer für interpretierbares Deep-Learning-Trading

Zusammenfassung

Das Dokument stellt den Momentum Transformer vor, eine Kombination aus Attention und LSTM für den Handel mit Zeitreihendaten. Sein Attention-Mechanismus verknüpft das Modell mit früheren Zeitschritten, während mehrere Attention-Heads Marktdynamiken auf unterschiedlichen Zeitskalen abbilden können. Die Autoren vergleichen das Modell mit Momentum- und Mean-Reversion-Benchmarkstrategien und berichten von einer stärkeren Performance, auch nach Transaktionskosten.

Außerdem beschreiben sie die Architektur als anpassungsfähig an wechselnde Marktregime und nennen die SARS-CoV-2-Krise als Beispiel. Attention-Gewichte bieten eine Möglichkeit zu untersuchen, welche vergangenen Beobachtungen und Faktoren für Modellentscheidungen relevant sind. Der Auszug enthält keine Daten, kein Versuchsdesign, keine numerischen Ergebnisse und keine Angaben zu Kosten und Umsetzung, sodass sich Stärke und Übertragbarkeit der berichteten Performance anhand dieser Beschreibung allein nicht beurteilen lassen.

Kernaussagen

• Das Modell kombiniert Attention mit einem LSTM, um aktuelle Vorhersagen mit früheren Zeitschritten zu verknüpfen.
• Mehrere Attention-Heads sollen Marktdynamiken auf unterschiedlichen Zeitskalen erfassen.
• Die Autoren berichten bessere Ergebnisse als bei Momentum- und Mean-Reversion-Benchmarkstrategien, auch nach Transaktionskosten.
• Attention dient dazu, den Einfluss historischer Beobachtungen und Faktoren zu interpretieren.
• Der Auszug liefert nur begrenzte Informationen zu den Evaluierungsdetails und zur Übertragbarkeit der Ergebnisse.

Schlagwörter

# Trading with the Momentum Transformer: An Intelligent and Interpretable Architecture


# Trading with the Momentum Transformer: An Intelligent and Interpretable Architecture









We introduce the Momentum Transformer, an attention-based deep-learning architecture, which outperforms benchmark time-series momentum and mean-reversion trading strategies. Unlike state-of-the-art Long Short-Term Memory (LSTM) architectures, which are sequential in nature and tailored to local processing, an attention mechanism provides our architecture with a direct connection to all previous time-steps. Our architecture, an attention-LSTM hybrid, enables us to learn longer-term dependencies, improves performance when considering returns net of transaction costs and naturally adapts to new market regimes, such as during the SARS-CoV-2 crisis. Via the introduction of multiple attention heads, we can capture concurrent regimes, or temporal dynamics, which are occurring at different timescales. The Momentum Transformer is inherently interpretable, providing us with greater insights into our deep-learning momentum trading strategy, including the importance of different factors over time and the past time-steps which are of the greatest significance to the model.

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.