Momentum Transformerによる解釈可能な深層学習トレード
記事 arXiv papers · 著者: Kieran Wood et al.
サマリー
この文書では、時系列データを用いた取引のための、アテンション機構とLSTMを組み合わせたMomentum Transformerを紹介しています。アテンション機構はモデルを過去の時点と結び付け、複数のアテンションヘッドは異なる時間軸で動く市場の動態を表現できます。著者らはモメンタム戦略や平均回帰戦略のベンチマークと比較し、取引コスト控除後も含めて、より高いパフォーマンスを報告しています。
また、このアーキテクチャは市場レジームの変化に適応するとされ、SARS-CoV-2危機が例として挙げられています。アテンションの重みから、モデルの判断にどの過去の観測値や要因が関わるかを調べられます。ただし、この抜粋にはデータ、実験設計、数値結果、コストや実装の詳細がないため、報告されたパフォーマンスの強さや一般性は評価できません。
主なアイデア
- このモデルはアテンションとLSTMを組み合わせ、現在の予測を過去の時点と結び付けます。
- 複数のアテンションヘッドで、異なる時間軸における市場の動態を捉えることを目指します。
- 著者らは、取引コスト控除後も含め、ベンチマークのモメンタム戦略や平均回帰戦略を上回る結果を報告しています。
- アテンションを使って、過去の観測値や要因が与える影響を解釈します。
- この抜粋からは、評価の詳細や結果の適用可能性について分かることが限られています。
タグ
全文
# 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.
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。