Atenção e trading de momentum LSTM em ações

Resumo

Esta pesquisa adapta uma arquitetura Momentum Transformer a ações e compara seu uso pretendido com estratégias de momentum de séries temporais e de reversão à média. O modelo combina atenção, que pode relacionar informações ao longo da janela de treinamento, com um LSTM, que processa padrões sequenciais. Os autores apresentam a combinação como uma forma de capturar dependências de longo prazo e responder a mudanças nas condições de mercado, incluindo a pandemia de Covid.

O retorno médio relatado é 4.14%, descrito como semelhante aos resultados do artigo anterior, enquanto o índice de Sharpe médio é 1.12. Os autores atribuem o Sharpe mais baixo, em relação àquele trabalho, à volatilidade mais alta das ações do que a de futuros e índices de ações. A breve descrição não informa o período de teste, o universo de ações, as hipóteses sobre custos de transação, os resultados de referência ou a incerteza estatística; portanto, os números, por si só, são insuficientes para avaliar robustez ou desempenho em trading ao vivo.

Ideias principais

• O estudo aplica uma arquitetura Momentum Transformer a ações.
• O modelo combina atenção com um LSTM para representar padrões sequenciais e de longo alcance.
• Os autores comparam a abordagem com estratégias de momentum de séries temporais e de reversão à média.
• Eles relatam retorno médio de 4.14% e índice de Sharpe médio de 1.12.
• Os resultados informados não incluem detalhes necessários para avaliar a robustez ou os custos de implementação.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.