معاملهٔ مومنتوم سهام با توجه و LSTM

خلاصه

این پژوهش معماری مومنتوم ترنسفورمر را برای سهام اقتباس می‌کند و کاربرد موردنظر آن را با استراتژی‌های مومنتوم سری زمانی و بازگشت به میانگین مقایسه می‌کند. مدل، توجه را که می‌تواند اطلاعات را در سراسر پنجرهٔ آموزش به هم مرتبط کند، با LSTM ترکیب می‌کند که الگوهای ترتیبی را پردازش می‌کند. نویسندگان این ترکیب را راهی برای ثبت وابستگی‌های بلندمدت‌تر و واکنش به شرایط متغیر بازار، از جمله همه‌گیری کووید، معرفی می‌کنند.

میانگین بازده گزارش‌شده 4.14% است و مشابه نتایج مقالهٔ پیشین توصیف شده، در حالی که میانگین نسبت شارپ 1.12 است. نویسندگان نسبت شارپ پایین‌تر در مقایسه با آن پژوهش را به نوسان بیشتر سهام نسبت به قراردادهای آتی و شاخص‌های سهام نسبت می‌دهند. توضیح کوتاه، دورهٔ آزمون، مجموعهٔ سهام، فرض‌های هزینهٔ معاملات، نتایج معیارهای مقایسه یا عدم‌قطعیت آماری را مشخص نمی‌کند؛ بنابراین این ارقام به‌تنهایی برای ارزیابی استحکام یا عملکرد معاملهٔ زنده کافی نیستند.

ایده‌های کلیدی

• این پژوهش معماری مومنتوم ترنسفورمر را برای سهام به کار می‌گیرد.
• مدل توجه را با LSTM ترکیب می‌کند تا الگوهای ترتیبی و دوربردتر را بازنمایی کند.
• نویسندگان این رویکرد را با استراتژی‌های مومنتوم سری زمانی و بازگشت به میانگین مقایسه می‌کنند.
• آن‌ها میانگین بازده 4.14% و میانگین نسبت شارپ 1.12 را گزارش می‌کنند.
• نتایج اعلام‌شده جزئیات لازم برای ارزیابی استحکام یا هزینه‌های اجرا را ندارند.

برچسب‌ها

# 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.

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.