قابلِ تشریح ڈیپ لرننگ ٹریڈنگ کے لیے مومینٹم ٹرانسفارمر

خلاصہ

یہ دستاویز مومینٹم ٹرانسفارمر پیش کرتی ہے، جو ٹائم سیریز ڈیٹا سے ٹریڈنگ کے لیے توجہ اور LSTM کا امتزاج ہے۔ اس کا توجہ کا طریقۂ کار ماڈل کو پہلے کے وقت کے مراحل سے جوڑتا ہے، جبکہ توجہ کے متعدد ہیڈز مختلف ٹائم اسکیلز پر کام کرنے والی مارکیٹ کی حرکیات کی نمائندگی کر سکتے ہیں۔ مصنفین اس کا موازنہ معیاری مومینٹم اور اوسط کی طرف واپسی کی حکمتِ عملیوں سے کرتے ہیں اور لین دین کے اخراجات کے بعد بھی بہتر کارکردگی کی اطلاع دیتے ہیں۔

وہ یہ بھی بیان کرتے ہیں کہ یہ ساخت بدلتے ہوئے مارکیٹ رجیم کے مطابق ڈھلتی ہے، جس کی مثال کے طور پر SARS-CoV-2 بحران دیا گیا ہے۔ توجہ کے وزن یہ جانچنے کا طریقہ فراہم کرتے ہیں کہ ماڈل کے فیصلوں میں ماضی کے کون سے مشاہدات اور عوامل اہم ہیں۔ اقتباس میں ڈیٹا، تجرباتی ڈیزائن، عددی نتائج یا اخراجات اور نفاذ کی تفصیلات نہیں دی گئیں، اس لیے اس بیان سے رپورٹ کردہ کارکردگی کی قوت اور عمومیت کا اندازہ نہیں لگایا جا سکتا۔

اہم خیالات

• ماڈل توجہ کو LSTM کے ساتھ جوڑتا ہے تاکہ موجودہ پیش گوئیوں کو پہلے کے وقت کے مراحل سے مربوط کرے۔
• توجہ کے متعدد ہیڈز کا مقصد مختلف ٹائم اسکیلز پر مارکیٹ کی حرکیات کو پکڑنا ہے۔
• مصنفین لین دین کے اخراجات منہا کرنے کے بعد بھی معیاری مومینٹم اور اوسط کی طرف واپسی کی حکمتِ عملیوں سے بہتر نتائج کی اطلاع دیتے ہیں۔
• توجہ کو تاریخی مشاہدات اور عوامل کے اثر کی تشریح کے لیے استعمال کیا گیا ہے۔
• اقتباس میں جائزے کی تفصیلات اور نتائج کی مختلف حالات میں قابلِ اطلاق ہونے کے بارے میں محدود شواہد ہیں۔

ٹیگز

# 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.

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۔