본문으로 건너뛰기
라이브러리 문서 전체

해석 가능한 딥러닝 트레이딩용 모멘텀 트랜스포머

기사 arXiv papers · 저자: Kieran Wood et al.
원문 읽기

요약

이 문서는 시계열 데이터로 트레이딩하는 어텐션과 LSTM 하이브리드 모델인 모멘텀 트랜스포머를 소개합니다. 어텐션 메커니즘은 모델을 이전 시점과 연결하고, 여러 어텐션 헤드는 서로 다른 시간 규모에서 작동하는 시장 역학을 표현할 수 있습니다. 저자들은 이 모델을 벤치마크 모멘텀 및 평균회귀 전략과 비교해 거래 비용을 차감한 뒤에도 더 나은 성과를 보고합니다.

또한 SARS-CoV-2 위기를 사례로 들어 아키텍처가 변화하는 시장 국면에 적응한다고 설명합니다. 어텐션 가중치를 통해 어떤 과거 관측치와 요인이 모델의 의사결정에 영향을 주는지 살펴볼 수 있습니다. 발췌문에는 데이터, 실험 설계, 수치 결과, 비용 및 구현 세부 사항이 제시되지 않아 보고된 성과의 크기와 일반성을 이 설명만으로는 평가할 수 없습니다.

핵심 아이디어

  • 이 모델은 어텐션과 LSTM을 결합해 현재 예측을 이전 시점과 연결합니다.
  • 여러 어텐션 헤드는 서로 다른 시간 규모의 시장 역학을 포착하도록 설계되었습니다.
  • 저자들은 거래 비용 차감 후에도 벤치마크 모멘텀 및 평균회귀 전략보다 나은 결과를 보고합니다.
  • 어텐션을 활용해 과거 관측값과 요인의 영향을 해석합니다.
  • 발췌문에는 평가 세부 정보와 결과의 다른 상황 적용 가능성을 판단할 근거가 제한적입니다.

태그

머신러닝모멘텀평균 회귀주문 집행
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.