ایکویٹیز میں توجہ اور LSTM مومینٹم ٹریڈنگ

خلاصہ

یہ تحقیق مومینٹم ٹرانسفارمر کی ساخت کو ایکویٹیز کے لیے ڈھالتی ہے اور اس کے مقصودہ استعمال کا ٹائم سیریز مومینٹم اور اوسط کی طرف واپسی کی اسٹریٹیجیز سے موازنہ کرتی ہے۔ ماڈل توجہ کو، جو تربیتی ونڈو میں معلومات کے درمیان تعلق قائم کر سکتی ہے، ایک LSTM کے ساتھ ملاتا ہے، جو سلسلہ وار نمونوں پر کارروائی کرتا ہے۔ مصنفین اس امتزاج کو طویل مدتی انحصار پکڑنے اور بدلتے مارکیٹ حالات، بشمول کووڈ وبا، کے مطابق ردِعمل دینے کا طریقہ قرار دیتے ہیں۔

رپورٹ شدہ اوسط منافع 4.14% ہے، جسے سابقہ مقالے کے نتائج سے ملتا جلتا بتایا گیا ہے، جبکہ اوسط شارپ تناسب 1.12 ہے۔ مصنفین اس کام کے مقابلے میں کم شارپ تناسب کی وجہ اسٹاکس کا فیوچرز اور ایکویٹی انڈیکسز سے زیادہ اتار چڑھاؤ بتاتے ہیں۔ مختصر وضاحت میں ٹیسٹ کی مدت، ایکویٹی کا مجموعہ، لین دین کے اخراجات کے مفروضے، معیار کے نتائج یا شماریاتی غیر یقینی کی تفصیلات نہیں، اس لیے صرف ان اعداد سے مضبوطی یا لائیو ٹریڈنگ کی کارکردگی کا جائزہ نہیں لیا جا سکتا۔

اہم خیالات

• مطالعہ مومینٹم ٹرانسفارمر کی ساخت کو ایکویٹیز پر لاگو کرتا ہے۔
• ماڈل سلسلہ وار اور طویل فاصلے کے نمونے ظاہر کرنے کے لیے توجہ کو ایک LSTM کے ساتھ ملاتا ہے۔
• مصنفین اس طریقے کا ٹائم سیریز مومینٹم اور اوسط کی طرف واپسی کی اسٹریٹیجیز سے موازنہ کرتے ہیں۔
• وہ 4.14% اوسط منافع اور 1.12 اوسط شارپ تناسب رپورٹ کرتے ہیں۔
• بیان کردہ نتائج میں مضبوطی یا نفاذ کے اخراجات جانچنے کے لیے درکار تفصیلات نہیں ہیں۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔