Transformer động lượng cho giao dịch học sâu dễ diễn giải

Tóm tắt

Tài liệu giới thiệu Momentum Transformer, mô hình kết hợp cơ chế chú ý và LSTM để giao dịch dựa trên dữ liệu chuỗi thời gian. Cơ chế chú ý kết nối mô hình với các bước thời gian trước đó, trong khi nhiều đầu chú ý có thể biểu diễn động lực thị trường hoạt động ở các thang thời gian khác nhau. Các tác giả so sánh mô hình với các chiến lược động lượng và hồi quy về trung bình làm chuẩn, đồng thời báo cáo hiệu suất cao hơn, kể cả sau khi tính chi phí giao dịch.

Các tác giả cũng mô tả kiến trúc này là có khả năng thích ứng với những chế độ thị trường thay đổi, lấy khủng hoảng SARS-CoV-2 làm ví dụ. Trọng số chú ý giúp kiểm tra những quan sát và yếu tố trong quá khứ có ảnh hưởng đến quyết định của mô hình. Phần trích dẫn không cung cấp dữ liệu, thiết kế thực nghiệm, kết quả bằng số hoặc chi tiết về chi phí và cách triển khai, nên không thể đánh giá mức độ đáng tin cậy và tính khái quát của hiệu suất được báo cáo chỉ dựa trên mô tả này.

Ý chính

• Mô hình kết hợp cơ chế chú ý với LSTM để kết nối dự đoán hiện tại với các bước thời gian trước đó.
• Nhiều đầu chú ý được thiết kế để nắm bắt động lực thị trường ở các thang thời gian khác nhau.
• Các tác giả báo cáo kết quả tốt hơn các chiến lược động lượng và hồi quy về trung bình làm chuẩn, kể cả sau khi trừ chi phí giao dịch.
• Cơ chế chú ý được dùng để diễn giải ảnh hưởng của các quan sát và yếu tố trong quá khứ.
• Phần trích dẫn cung cấp ít bằng chứng về chi tiết đánh giá và khả năng áp dụng kết quả ở nơi khác.

Thẻ

# 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.

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.