损失函数定义为策略的夏普比率
此外,还有一些对于参数设定、交易成本方面的说明,可自行查阅论文。
这里的Decoder-onlyTFT设定如下
使用的特征包括收益率、波动率、MACD等价量指标。
净值曲线如下
下是LSTM和Transformer的一个对比。
作者共测试了策略在三个区间下的表现:1995-2020、2015-2020、新冠期间期间。结果来看,都是Transformer策略下的策略最优
数据处理上,首先对收益率做波动率调整,以保证数据在时序上的一致性
样本为50个流动性非常好的期货。模型使用1990-1995年的数据做训练,1995-2000年作为测试集。
作者首先对Transfor的深度网络做了一些说明,并与LSTM做对比。Transformer与LSTM不同的地方在于,Transformer是基于注意力机制的股票交易软件接口文件,股票交易软件接口文件,深度学习架构,LSTM是顺序式的架构。这种注意力机制使得Transformer可以直接连接到所有先前的时间步骤,从而能够学习更长期的模式。此外,Transformer还引入了多个muliti-headatterntion,可以捕捉同时发生在不同时间尺度上的并发模式或时间动态。
新冠期间
文章为作者独立观点,不代表股票交易接口观点