व्याख्येय डीप लर्निंग ट्रेडिंग के लिए मोमेंटम ट्रांसफ़ॉर्मर
सारांश
यह दस्तावेज़ समय-श्रृंखला डेटा से ट्रेडिंग के लिए अटेंशन और LSTM का हाइब्रिड, मोमेंटम ट्रांसफ़ॉर्मर प्रस्तुत करता है। इसका अटेंशन तंत्र मॉडल को पहले के समय-बिंदुओं से जोड़ता है, जबकि कई अटेंशन हेड अलग-अलग समय-मानों पर चल रही बाज़ार गतिशीलता को दर्शा सकते हैं। लेखक इसकी तुलना बेंचमार्क मोमेंटम और मीन-रिवर्शन रणनीतियों से करते हैं और लेनदेन लागत के बाद भी बेहतर प्रदर्शन की रिपोर्ट देते हैं।
वे यह भी बताते हैं कि आर्किटेक्चर बदलती बाज़ार व्यवस्थाओं के अनुसार ढलता है, जिसका उदाहरण SARS-CoV-2 संकट है। अटेंशन वेट यह देखने का तरीका देते हैं कि मॉडल के निर्णयों में कौन-से पुराने अवलोकन और कारक मायने रखते हैं। इस विवरण में डेटा, प्रयोग की रूपरेखा, संख्यात्मक परिणाम या लागत और कार्यान्वयन के ब्यौरे नहीं हैं, इसलिए बताए गए प्रदर्शन की मजबूती और व्यापकता का आकलन केवल इससे नहीं किया जा सकता।
मुख्य विचार
- मॉडल वर्तमान भविष्यवाणियों को पहले के समय-बिंदुओं से जोड़ने के लिए अटेंशन को LSTM के साथ जोड़ता है।
- कई अटेंशन हेड का उद्देश्य अलग-अलग समय-मानों पर बाज़ार गतिशीलता को पकड़ना है।
- लेखक बेंचमार्क मोमेंटम और मीन-रिवर्शन रणनीतियों से बेहतर परिणाम की रिपोर्ट देते हैं, जिसमें लेनदेन लागत घटाने के बाद के नतीजे भी शामिल हैं।
- ऐतिहासिक अवलोकनों और कारकों के प्रभाव को समझने के लिए अटेंशन का उपयोग किया गया है।
- इस अंश में मूल्यांकन के ब्यौरों और परिणामों की अन्य संदर्भों में लागू होने की क्षमता के बारे में सीमित साक्ष्य हैं।
टैग
पूरा पाठ
# 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.
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।