Chú ý và động lượng LSTM trong giao dịch cổ phiếu

Tóm tắt

Nghiên cứu điều chỉnh kiến trúc Momentum Transformer cho cổ phiếu và so sánh mục đích sử dụng của mô hình với chiến lược động lượng chuỗi thời gian và hồi quy về trung bình. Mô hình kết hợp cơ chế chú ý, có thể liên hệ thông tin trong cửa sổ huấn luyện, với LSTM, xử lý các mẫu tuần tự. Các tác giả trình bày sự kết hợp này như một cách nắm bắt sự phụ thuộc dài hạn hơn và ứng phó với điều kiện thị trường thay đổi, bao gồm đại dịch Covid.

Lợi suất trung bình được báo cáo là 4.14%, được mô tả là tương tự kết quả từ bài nghiên cứu trước, trong khi tỷ lệ Sharpe trung bình là 1.12. Các tác giả cho rằng Sharpe thấp hơn so với nghiên cứu đó là do cổ phiếu biến động mạnh hơn hợp đồng tương lai và chỉ số cổ phiếu. Phần mô tả ngắn không cung cấp chi tiết về giai đoạn kiểm định, phạm vi cổ phiếu, giả định chi phí giao dịch, kết quả so sánh chuẩn hay độ bất định thống kê, nên chỉ các con số này chưa đủ để đánh giá độ vững chắc hoặc hiệu quả giao dịch thực.

Ý chính

• Nghiên cứu áp dụng kiến trúc Momentum Transformer cho cổ phiếu.
• Mô hình kết hợp cơ chế chú ý với LSTM để biểu diễn các mẫu tuần tự và dài hạn hơn.
• Các tác giả so sánh cách tiếp cận này với chiến lược động lượng chuỗi thời gian và hồi quy về trung bình.
• Họ báo cáo lợi suất trung bình 4.14% và tỷ lệ Sharpe trung bình 1.12.
• Các kết quả được nêu thiếu chi tiết cần thiết để đánh giá độ vững chắc hoặc chi phí triển khai.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.