Deciphering Momentum and Reversal Effects: An Interpretative Approach Using Temporal Fusion Transformers

Abstract

Vi anvender Temporal Fusion Transformer (TFT), en kompleks dyp læringsmodell, til å predikere avkastningen til aksjer på S&P 500-indeksen i perioden fra januar 2000 til desember 2022. Studiens formål er todelt: For det første ønsker vi å demonstrere effektiviteten til nye maskinlæringsmodeller, spesifikt TFT, i å generere handelssignaler som resulterer i gunstige økonomiske utfall. For det andre ønsker vi å framheve den iboende tolkbarheten til TFT som et verktøy for å forstå finansielle markedsdynamikker. Ved å utnytte de tolkbare komponentene i TFT og foreta analyser av modellens resultater, avdekker vi innflytelsesrike forklaringsvariabler, viktige tidssteg, vedvarende sesongmønstre og hvordan markedsforholdene påvirker avhengighetene mellom tidligere og fremtidige avkastninger. I lys av disse funnene konstruerer vi en enkel regelbasert strategi kalt Adaptive Momentum (AMOM), som utnytter innsikt utledet fra TFT. Denne strategien tilpasser hvor langt tilbake den ser for å velge posisjoner, og hvor lenge den holder disse. I tillegg innlemmer AMOM metodikk fra både momentum- og reverseringsstrategier. Gjennom vår omfattende analyse viser TFT seg å være svært effektiv, med en statistisk signifikant gjennomsnittlig månedlig avkastning på 2,66%. Videre demonstrerer AMOM imponerende resultater med en statistisk signifikant gjennomsnittlig månedlig avkastning på 1,62%, noe som overgår sammenlignbare tradisjonelle strategier som tversnitt-momentum og tidsserie-momentum, som kun klarer å generere ikke-signifikante gjennomsnittlige månedlige avkastninger som svinger rundt nullpunktet.

We employ the Temporal Fusion Transformer (TFT), a complex deep learning model, to predict stock returns of the S&P 500 constituents from January 2000 through December 2022. The aim of our study is two-fold: Firstly, to demonstrate the potency of emerging machine learning models — specifically the TFT — in generating trading signals that lead to desirable financial outcomes; Secondly, to highlight the inherent interpretability of the TFT, which we showcase as a tool for deciphering financial market dynamics. By leveraging the TFT’s interpretable components and conducting post-model analyses, we uncover influential explanatory variables, important timesteps, persistent seasonal patterns, and the market state’s influence on dependencies between past and future returns. Informed by these findings, we devise a simple yet effective rule-based strategy, Adaptive Momentum (AMOM), that harnesses the insights derived from the TFT. This strategy dynamically adjusts its formation and holding periods, integrating both momentum and reversal approaches. Through our extensive analysis, the TFT proves its ecacy, achieving a statistically significant average monthly return of 2.66%. Moreover, AMOM demonstrates a remarkable performance with a statistically significant average monthly return of 1.62%, surpassing comparable traditional strategies like cross-sectional momentum and time series momentum, which only manage to generate insignificant average monthly returns fluctuating around zero.