इक्विटी में अटेंशन और LSTM मोमेंटम ट्रेडिंग
सारांश
यह शोध मोमेंटम ट्रांसफ़ॉर्मर संरचना को इक्विटी पर लागू करता है और इसके प्रस्तावित उपयोग की तुलना समय-श्रृंखला मोमेंटम तथा माध्य-प्रत्यावर्तन रणनीतियों से करता है। मॉडल अटेंशन को जोड़ता है, जो प्रशिक्षण अवधि की जानकारी के बीच संबंध बना सकता है, और एक LSTM, जो अनुक्रमिक पैटर्न संसाधित करता है। लेखक इस संयोजन को दीर्घकालिक निर्भरताएँ पकड़ने और कोविड महामारी सहित बदलती बाज़ार स्थितियों के अनुरूप प्रतिक्रिया देने का तरीका बताते हैं।
रिपोर्ट किया गया औसत रिटर्न 4.14% है, जिसे पहले के शोधपत्र के परिणामों के समान बताया गया है; औसत शार्प अनुपात 1.12 है। लेखक उस काम की तुलना में कम शार्प अनुपात का कारण फ़्यूचर्स और इक्विटी सूचकांकों के मुकाबले शेयरों की अधिक अस्थिरता बताते हैं। संक्षिप्त विवरण में परीक्षण अवधि, इक्विटी समूह, लेन-देन लागत की मान्यताएँ, बेंचमार्क परिणाम या सांख्यिकीय अनिश्चितता का विवरण नहीं है, इसलिए केवल इन आँकड़ों से मजबूती या लाइव ट्रेडिंग प्रदर्शन का आकलन नहीं किया जा सकता।
मुख्य विचार
- अध्ययन इक्विटी पर मोमेंटम ट्रांसफ़ॉर्मर संरचना लागू करता है।
- मॉडल अनुक्रमिक और दीर्घकालिक पैटर्न दर्शाने के लिए अटेंशन को LSTM के साथ जोड़ता है।
- लेखक इस तरीके की तुलना समय-श्रृंखला मोमेंटम और माध्य-प्रत्यावर्तन रणनीतियों से करते हैं।
- वे 4.14% औसत रिटर्न और 1.12 औसत शार्प अनुपात बताते हैं।
- बताए गए परिणामों में मजबूती या कार्यान्वयन लागत का आकलन करने के लिए आवश्यक विवरण नहीं हैं।
टैग
पूरा पाठ
# 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.
स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0
यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।