Распределительный прогноз фьючерсов с помощью Transformer-модели FutureQuant

Сводка

В документе представлена модель Transformer FutureQuant для рынков фьючерсов. Она использует механизмы внимания для обработки сложных входных данных, включая данные книги лимитных заявок в реальном времени. Вместо прогноза одной будущей цены модель оценивает диапазон возможных цен и их волатильность, предоставляя распределительные прогнозы для торговых решений и управления рисками.

Описанный торговый подход объединяет модель с простым алгоритмом на основе RSI, ATR и полос Боллинджера. Во фрагменте указана средняя прибыль 0.1193% за сделку длительностью 30 минут и заявлено, что модель превосходит лучшие современные модели. Данные, инструменты, схема оценки, транзакционные издержки и калибровка неопределенности не описаны, поэтому по одному этому резюме нельзя оценить устойчивость результата. Заявленная прибыль — результат оценки модели, а не гарантия эффективности при торговле на реальном счете.

Ключевые идеи

• FutureQuant использует механизм внимания Transformer для анализа сложных входных данных рынка фьючерсов, включая книги лимитных заявок.
• Модель прогнозирует диапазоны цен и волатильность, а не только одну будущую цену.
• В предложенном торговом алгоритме наряду с моделью используются RSI, ATR и полосы Боллинджера.
• Во фрагменте указана средняя прибыль за сделку длительностью 30 минут, но не приведены ключевые детали оценки.
• Распределительные прогнозы могут помочь принимать торговые решения и решения по рискам, но фрагмент не доказывает прибыльность при торговле на реальном счете.

Теги

# Trading Under Uncertainty: A Distribution-Based Strategy for Futures Markets Using FutureQuant Transformer


# Trading Under Uncertainty: A Distribution-Based Strategy for Futures Markets Using FutureQuant Transformer









In the complex landscape of traditional futures trading, where vast data and variables like real-time Limit Order Books (LOB) complicate price predictions, we introduce the FutureQuant Transformer model, leveraging attention mechanisms to navigate these challenges. Unlike conventional models focused on point predictions, the FutureQuant model excels in forecasting the range and volatility of future prices, thus offering richer insights for trading strategies. Its ability to parse and learn from intricate market patterns allows for enhanced decision-making, significantly improving risk management and achieving a notable average gain of 0.1193% per 30-minute trade over state-of-the-art models with a simple algorithm using factors such as RSI, ATR, and Bollinger Bands. This innovation marks a substantial leap forward in predictive analytics within the volatile domain of futures trading.

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.