ترنسفورمر مومنتوم برای معامله‌گری با یادگیری عمیق تفسیرپذیر

خلاصه

این سند ترنسفورمر مومنتوم را معرفی می‌کند؛ مدلی ترکیبی از سازوکار توجه و LSTM برای معامله‌گری بر پایه داده‌های سری زمانی. سازوکار توجه آن مدل را به گام‌های زمانی پیشین پیوند می‌دهد و چندین سرِ توجه می‌توانند پویایی‌های بازار را در مقیاس‌های زمانی متفاوت بازنمایی کنند. نویسندگان آن را با راهبردهای معیار مومنتوم و بازگشت به میانگین مقایسه می‌کنند و از عملکرد بهتر، حتی پس از کسر هزینه‌های تراکنش، گزارش می‌دهند.

آن‌ها همچنین توضیح می‌دهند که این معماری با رژیم‌های متغیر بازار سازگار می‌شود و بحران SARS-CoV-2 را نمونه می‌آورند. وزن‌های توجه راهی برای بررسی این هستند که کدام مشاهدات و عوامل گذشته بر تصمیم‌های مدل اثر می‌گذارند. این گزیده داده‌ها، طراحی آزمایش، نتایج عددی یا جزئیات هزینه‌ها و پیاده‌سازی را ارائه نمی‌کند؛ بنابراین از روی این توضیحات به‌تنهایی نمی‌توان قدرت و تعمیم‌پذیری عملکرد گزارش‌شده را ارزیابی کرد.

ایده‌های کلیدی

• مدل، سازوکار توجه را با یک LSTM ترکیب می‌کند تا پیش‌بینی‌های کنونی را به گام‌های زمانی پیشین پیوند دهد.
• هدف از چندین سرِ توجه، ثبت پویایی‌های بازار در مقیاس‌های زمانی متفاوت است.
• نویسندگان از نتایج بهتر نسبت به راهبردهای معیار مومنتوم و بازگشت به میانگین، از جمله پس از کسر هزینه‌های تراکنش، گزارش می‌دهند.
• از توجه برای تفسیر اثر مشاهدات و عوامل تاریخی استفاده می‌شود.
• این گزیده شواهد محدودی درباره جزئیات ارزیابی و قابلیت تعمیم نتایج ارائه می‌کند.

برچسب‌ها

# 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.

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.