Momentum Transformer pour le trading par apprentissage profond interprétable

Résumé

Le document présente le Momentum Transformer, un hybride attention et LSTM destiné au trading à partir de séries temporelles. Son mécanisme d’attention relie le modèle aux pas de temps antérieurs, tandis que plusieurs têtes d’attention peuvent représenter des dynamiques de marché opérant à différentes échelles de temps. Les auteurs le comparent à des stratégies de momentum et de retour à la moyenne de référence et font état de performances supérieures, y compris après prise en compte des coûts de transaction.

Ils décrivent également une architecture qui s’adapte à l’évolution des régimes de marché, en prenant la crise du SARS-CoV-2 comme exemple. Les poids d’attention permettent d’examiner quelles observations passées et quels facteurs influencent les décisions du modèle. L’extrait ne fournit ni données, ni protocole expérimental, ni résultats chiffrés, ni détails sur les coûts et la mise en œuvre ; il ne permet donc pas d’évaluer la solidité et la généralité des performances rapportées.

Idées clés

• Le modèle associe l’attention à un LSTM pour relier les prédictions actuelles aux pas de temps antérieurs.
• Plusieurs têtes d’attention sont conçues pour saisir les dynamiques de marché à différentes échelles de temps.
• Les auteurs rapportent de meilleurs résultats que les stratégies de momentum et de retour à la moyenne de référence, y compris nets des coûts de transaction.
• L’attention sert à interpréter l’influence des observations et facteurs historiques.
• L’extrait fournit peu d’éléments sur les détails de l’évaluation et la transposabilité des résultats.

Étiquettes

# 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.

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.