Attention et momentum LSTM sur les actions

Résumé

Cette recherche adapte une architecture Momentum Transformer aux actions et compare son usage prévu aux stratégies de momentum en séries temporelles et de retour à la moyenne. Le modèle associe l’attention, qui peut relier des informations sur toute la fenêtre d’entraînement, à un LSTM, qui traite les motifs séquentiels. Les auteurs présentent cette combinaison comme un moyen de saisir les dépendances à plus long terme et de réagir aux changements des conditions de marché, notamment pendant la pandémie de Covid.

Le rendement moyen rapporté est de 4.14%, présenté comme similaire aux résultats de l’article précédent, tandis que le ratio de Sharpe moyen est de 1.12. Les auteurs attribuent le ratio de Sharpe inférieur à celui de ces travaux à la volatilité plus élevée des actions par rapport aux contrats à terme et aux indices boursiers. La brève description ne précise ni la période de test, ni l’univers d’actions, ni les hypothèses de coûts de transaction, ni les résultats de référence, ni l’incertitude statistique ; ces chiffres seuls ne suffisent donc pas à évaluer la robustesse ou les performances en trading réel.

Idées clés

• L’étude applique une architecture Momentum Transformer aux actions.
• Le modèle associe l’attention à un LSTM pour représenter les motifs séquentiels et à longue portée.
• Les auteurs comparent cette approche aux stratégies de momentum en séries temporelles et de retour à la moyenne.
• Ils rapportent un rendement moyen de 4.14% et un ratio de Sharpe moyen de 1.12.
• Les résultats présentés ne donnent pas les détails nécessaires pour évaluer la robustesse ou les coûts de mise en œuvre.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.