Моментум-трейдинг акциями с механизмом внимания и LSTM

Сводка

В исследовании архитектура Momentum Transformer адаптирована для акций, а предполагаемое применение модели сопоставлено с моментум-стратегиями временных рядов и стратегиями возврата к среднему. Модель сочетает механизм внимания, который может связывать информацию в обучающем окне, с LSTM, обрабатывающей последовательные паттерны. Авторы представляют это сочетание как способ улавливать долгосрочные зависимости и реагировать на меняющиеся условия рынка, в том числе во время пандемии Covid.

Средняя доходность, о которой сообщают авторы, составляет 4.14% и, по их описанию, сопоставима с результатами предыдущей статьи; средний коэффициент Шарпа равен 1.12. Авторы объясняют более низкий коэффициент Шарпа по сравнению с той работой более высокой волатильностью акций относительно фьючерсов и фондовых индексов. В кратком описании не указаны период тестирования, набор акций, допущения о транзакционных издержках, результаты сравнения с бенчмарками или статистическая неопределённость, поэтому одних этих цифр недостаточно для оценки устойчивости результатов или эффективности торговли на реальном счёте.

Ключевые идеи

• В исследовании архитектура Momentum Transformer применяется к акциям.
• Модель сочетает механизм внимания с LSTM, чтобы учитывать последовательные и долгосрочные паттерны.
• Авторы сопоставляют подход с моментум-стратегиями временных рядов и стратегиями возврата к среднему.
• Авторы сообщают о средней доходности 4.14% и среднем коэффициенте Шарпа 1.12.
• В описании результатов не хватает сведений для оценки их устойчивости и издержек реализации.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.