Momentum Transformer para trading com aprendizado profundo interpretável

Resumo

O documento apresenta o Momentum Transformer, um híbrido de atenção e LSTM para trading com dados de séries temporais. Seu mecanismo de atenção conecta o modelo a etapas temporais anteriores, enquanto várias cabeças de atenção podem representar dinâmicas de mercado em diferentes escalas de tempo. Os autores o comparam com estratégias de momentum e reversão à média usadas como referência e relatam desempenho superior, inclusive após os custos de transação.

Eles também descrevem a arquitetura como capaz de se adaptar a regimes de mercado em mudança, usando a crise de SARS-CoV-2 como exemplo. Os pesos de atenção permitem examinar quais observações e fatores passados influenciam as decisões do modelo. O trecho não informa dados, desenho experimental, resultados numéricos nem detalhes dos custos e da implementação; portanto, não é possível avaliar a força e a generalidade do desempenho relatado apenas com essa descrição.

Ideias principais

• O modelo combina atenção com um LSTM para conectar previsões atuais a etapas temporais anteriores.
• O objetivo de várias cabeças de atenção é captar dinâmicas de mercado em diferentes escalas de tempo.
• Os autores relatam resultados melhores que os de estratégias de momentum e reversão à média usadas como referência, inclusive líquidos dos custos de transação.
• A atenção é usada para interpretar a influência de observações e fatores históricos.
• O trecho fornece poucas evidências sobre os detalhes da avaliação e a possibilidade de aplicar os resultados em outros contextos.

Tags

# 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.

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.