株式モメンタム取引におけるアテンションとLSTM
記事 arXiv papers · 著者: Max Mason et al.
サマリー
本研究では、Momentum Transformerのアーキテクチャを株式に適用し、時系列モメンタムおよび平均回帰戦略との比較を行っています。このモデルは、学習期間を通じた情報を関連付けるアテンションと、系列パターンを処理するLSTMを組み合わせています。著者らは、この組み合わせによって長期的な依存関係を捉え、新型コロナウイルス感染症のパンデミックを含む市場環境の変化に対応できるとしています。
報告された平均リターンは4.14%で、先行論文の結果と同程度とされています。一方、平均シャープレシオは1.12です。著者らは、先行研究よりシャープレシオが低い理由を、先物や株価指数よりも株式のボラティリティが高いことに求めています。簡潔な説明には、検証期間、株式ユニバース、取引コストの前提、ベンチマーク結果、統計的不確実性が示されていません。そのため、数値だけでは頑健性や実運用時のパフォーマンスを評価できません。
主なアイデア
- Momentum Transformerのアーキテクチャを株式に適用しています。
- アテンションとLSTMを組み合わせ、系列パターンと長期的なパターンを表現しています。
- 時系列モメンタム戦略および平均回帰戦略と比較しています。
- 平均リターン4.14%、平均シャープレシオ1.12を報告しています。
- 報告された結果には、頑健性や実装コストを評価するために必要な詳細が不足しています。
タグ
全文
# 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.
出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0
この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。