Atención y momentum LSTM en el trading de acciones

Resumen

Esta investigación adapta a las acciones una arquitectura Momentum Transformer y compara su uso previsto con estrategias de momentum de series temporales y reversión a la media. El modelo combina atención, que puede relacionar información a lo largo de la ventana de entrenamiento, con un LSTM, que procesa patrones secuenciales. Los autores presentan esta combinación como una forma de captar dependencias a más largo plazo y responder a condiciones cambiantes del mercado, incluida la pandemia de Covid.

El rendimiento medio comunicado es 4.14%, descrito como similar al del artículo anterior, y el ratio de Sharpe medio es 1.12. Los autores atribuyen el Sharpe más bajo respecto a ese trabajo a la mayor volatilidad de las acciones frente a los futuros y los índices bursátiles. La breve descripción no ofrece detalles sobre el periodo de prueba, el universo de acciones, los supuestos de costes de transacción, los resultados de referencia ni la incertidumbre estadística, por lo que las cifras por sí solas no bastan para evaluar la solidez ni el rendimiento en trading real.

Ideas clave

• El estudio aplica una arquitectura Momentum Transformer a las acciones.
• El modelo combina atención con un LSTM para representar patrones secuenciales y de mayor alcance.
• Los autores comparan el enfoque con estrategias de momentum de series temporales y reversión a la media.
• Comunican un rendimiento medio de 4.14% y un ratio de Sharpe medio de 1.12.
• Los resultados indicados carecen de detalles necesarios para evaluar su solidez o los costes de implementación.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.