A Learnable Wavelet Transformer for Long-Short Equity Trading and Risk-Adjusted Return Optimization

Die Studie stellt WaveLSFormer vor, einen lernbaren waveletbasierten Transformer, der durch eine end-zu-end-Optimierung von Multi-Skalen-Zerlegungen und risikoadjustierten Handelszielen eine überlegene Profitabilität und Risikosteuerung im Long-Short-Aktienhandel im Vergleich zu herkömmlichen Modellen erreicht.

Das Wesentliche

Stellen Sie sich vor, Sie sind ein erfahrener Kapitän, der ein Schiff durch ein stürmisches Meer steuern möchte. Ihr Ziel ist es, so viel Schatz (Gewinn) wie möglich zu sammeln, ohne dass das Schiff kentert (Risiko).

Das Meer ist jedoch verrückt: Es gibt riesige Wellen (langfristige Trends), aber dazwischen gibt es auch unzählige kleine, chaotische Gischt und Spritzer (Rauschen), die Sie nur verwirren. Die meisten alten Navigationskarten (herkömmliche KI-Modelle) versuchen, jede einzelne Gischt-Welle vorherzusagen. Das funktioniert nicht gut, weil das Wasser zu unruhig ist.

Hier kommt die WaveLSFormer ins Spiel – eine neue, intelligente Navigationsmaschine, die von den Autoren Shuozhe Li, Du Cheng und ihren Kollegen entwickelt wurde.

Hier ist die Erklärung, wie sie funktioniert, ganz einfach und mit ein paar Bildern:

1. Das Problem: Das Rauschen im Meer

In der Finanzwelt (besonders beim Aktienhandel) gibt es zwei Arten von Informationen:

• Der langsame Strom: Das ist der langfristige Trend. Geht der Markt insgesamt hoch oder runter? Das ist wichtig und stabil.
• Das wilde Spritzen: Das ist das tägliche Gerede, die kleinen Schwankungen, die oft nur Zufall sind. Wenn Sie versuchen, jede dieser kleinen Welle vorherzusagen, verlieren Sie sich im Chaos.

Bisherige KI-Modelle waren wie Schüler, die versuchen, jeden einzelnen Buchstaben eines Textes perfekt zu kopieren. Aber ein Trader muss nicht jeden Buchstaben kennen; er muss nur die Botschaft verstehen, um die richtige Entscheidung zu treffen (Kaufen oder Verkaufen).

2. Die Lösung: Ein lernbarer "Wellen-Reiniger"

Die Autoren haben ein System gebaut, das wie ein intelligenter Wellenbrecher funktioniert.

• Der lernbare Wellenfilter (Neural Wavelet):
  Stellen Sie sich vor, Sie haben einen Zauberer, der ein Sieb hält. Früher benutzten Trader starre Siebe (feste mathematische Filter), die immer gleich aussahen. Der Zauberer von WaveLSFormer lernt jedoch! Er passt das Sieb live an. Er filtert das wilde Spritzen (das Rauschen) heraus und lässt nur den sauberen, langsamen Strom (den Trend) durch. Das Besondere: Er lernt, welches Sieb für diese spezifische Branche (z. B. Solar oder Biotech) am besten funktioniert.

• Der Transformer (Der kluge Kapitän):
  Hinter dem Sieb sitzt ein sehr kluger Kapitän (ein sogenannter "Transformer"). Er sieht nur den gereinigten Strom. Weil er nicht mehr von den kleinen Spritzern abgelenkt wird, kann er viel besser entscheiden, wann er die Segel setzt (kauft) oder einzieht (verkauft).

3. Die Magie: "Low-Guided High-Frequency Injection"

Das ist der coolste Teil des Systems. Wie bringt man die beiden zusammen?

Stellen Sie sich vor, der Kapitän (der langsame Trend) hat einen kleinen, nervösen Spion (das schnelle Rauschen) an Bord.

• Normalerweise würde der Spion den Kapitän verrückt machen.
• Aber bei WaveLSFormer gibt es eine gatede Verbindung (ein Tor). Der Kapitän entscheidet selbst, wann er dem Spion zuhört.
  • Wenn der Trend klar ist, ignoriert der Kapitän den Spion.
  • Wenn der Trend unscharf ist, fragt der Kapitän den Spion: "Hey, hast du etwas Wichtiges gesehen, das ich übersehen habe?"
  • Der Spion gibt nur dann einen Hinweis, wenn er wirklich sicher ist. So wird das Chaos nützlich, ohne den Kapitän zu verwirren.

4. Das Ziel: Nicht "Richtig", sondern "Profitabel"

Das ist der wichtigste Unterschied zu anderen KI-Modellen.

• Andere Modelle sagen: "Ich muss die genaue Temperatur von morgen vorhersagen." (Fehler minimieren).
• WaveLSFormer sagt: "Ich muss wissen, ob ich heute ein Jacke anziehen soll, damit ich nicht friere oder schwitze." (Gewinn maximieren).

Das Modell wird nicht dafür belohnt, die Zahl genau zu erraten. Es wird dafür belohnt, Geld zu verdienen und das Risiko niedrig zu halten. Es lernt direkt aus dem Ergebnis: "Habe ich heute Geld gemacht? War das Risiko okay?" Wenn ja, gut. Wenn nein, lernt es daraus.

5. Das Ergebnis: Ein glatterer Kurs

In Tests über fünf Jahre hinweg (mit stündlichen Daten aus sechs verschiedenen Branchen) hat sich gezeigt:

• Herkömmliche Modelle (wie einfache MLPs oder LSTMs) waren wie ein Schiff, das im Rauschen hin und her geworfen wurde.
• WaveLSFormer war wie ein Schiff mit einem stabilen Ruder und einem klaren Blick.
• Ergebnis: Es machte deutlich mehr Gewinn (ca. 60% mehr als die besten alten Modelle) und hatte ein viel besseres Verhältnis von Gewinn zu Risiko (Sharpe-Ratio von über 2, was im Finanzbereich sehr, sehr gut ist).

Zusammenfassung in einem Satz

WaveLSFormer ist wie ein weise alter Kapitän, der ein selbstlernendes Sieb benutzt, um das wilde Ozeanrauschen zu entfernen, nur die wichtigen Wellen sieht und dabei nur auf den Gewinn achtet, nicht auf die perfekte Vorhersage jedes einzelnen Spritzers.

Das macht es zu einem der vielversprechendsten Werkzeuge, um mit KI in der Finanzwelt nicht nur zu raten, sondern tatsächlich profitabel zu handeln.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „A Learnable Wavelet Transformer for Long-Short Equity Trading and Risk-Adjusted Return Optimization" auf Deutsch:

1. Problemstellung

Die Ableitung profitabler intraday-Handelsstrategien aus Finanzzeitreihen ist aufgrund mehrerer fundamentaler Herausforderungen schwierig:

• Rauschen und Nicht-Stationarität: Finanzdaten sind stark verrauscht, haben heavy tails und heteroskedastische Eigenschaften.
• Objektivitätsmismatch: Herkömmliche Deep-Learning-Modelle werden oft als reine Vorhersagemodelle trainiert, die den Fehler (z. B. MSE oder MAE) minimieren. Im Handel ist jedoch nicht die Genauigkeit der Punktvorhersage entscheidend, sondern die kumulative Rendite und das Risiko der daraus abgeleiteten Positionsentscheidungen.
• Kreuzsektionale Abhängigkeiten: Assets innerhalb desselben Sektors bewegen sich nicht unabhängig voneinander; Co-Movements und Lead-Lag-Effekte erfordern eine gemeinsame Modellierung.
• Frequenzkomplexität: Ausbeutbare Muster sind oft nur auf bestimmten zeitlichen Skalen sichtbar, während hochfrequentes Rauschen die Lernprozesse stören kann.

2. Methodik: WaveLSFormer

Das Paper stellt WaveLSFormer vor, ein hybrides Modell, das einen lernbaren Wavelet-Front-End mit einem Transformer-Backbone kombiniert. Das Ziel ist die direkte End-to-End-Optimierung einer Long/Short-Portfolio-Strategie unter Berücksichtigung von Risikobudgets.

A. Lernbarer Wavelet-Front-End

Statt fest vorgegebener diskreter Wavelet-Transformationen (DWT) verwendet das Modell einen lernbaren Filterbank-Ansatz:

• FIR-Filter: Die Wavelet-Filter werden als 1D-FIR-Convolution-Kerne (Finite Impulse Response) implementiert, deren Gewichte während des Trainings gelernt werden.
• Spektrale Regularisierung: Um eine saubere Trennung in niederfrequente Trends und hochfrequente Residuen zu erzwingen, werden Regularisierungsterme im Frequenzbereich hinzugefügt (z. B. Penalisierung von Energie außerhalb des Zielbands, Parseval-Verlust zur Energieerhaltung). Dies verhindert, dass das Modell degenerierte Lösungen findet.
• Ziel: Die Filter lernen, das Signal-zu-Rausch-Verhältnis (SNR) der Eingabedaten zu maximieren, indem sie das Rauschen von den zugrundeliegenden Trends trennen.

B. Low-Guided High-Frequency Injection (LGHI)

Ein zentrales Architekturmerkmal ist die Fusion der Frequenzbänder:

• Anstatt die nieder- und hochfrequenten Repräsentationen einfach zu konkatenieren, wird ein gateder Residual-Mechanismus verwendet.
• Die Aufmerksamkeit (Attention) wird ausschließlich aus der stabilen niederfrequenten Branch berechnet.
• Die hochfrequenten Informationen werden über einen gateden Pfad in die niederfrequente Repräsentation injiziert.
• Dies ermöglicht es dem Modell, hochfrequente Signale selektiv zu nutzen, ohne durch das Rauschen der hochfrequenten Komponente die Stabilität des Lernprozesses zu gefährden.

C. Transformer-Backbone und Ausgabe

• Die fusionierte Repräsentation wird durch einen Transformer-Encoder verarbeitet, der langfristige Abhängigkeiten erfasst.
• Ausgabe: Das Modell gibt einen skalaren Signalwert aus, der über eine Sigmoid/Tanh-Funktion in eine Long/Short-Position ($w_t \in [-1, 1]$) umgewandelt wird.
• Risikobudget: Die Positionen werden skaliert, um ein festes Risikobudget einzuhalten (z. B. maximale Hebelwirkung), und ein „Dead Zone"-Mechanismus filtert kleine, verrauschte Signale heraus.

D. Trainingsziel und Loss-Funktion

Das Modell wird nicht auf Fehlerminimierung, sondern auf Handelsperformance optimiert:

• Soft-Label Cross-Entropy: Statt harte Vorhersagen zu treffen, wird ein probabilistischer Ansatz gewählt, bei dem die Zielvariable ($y_t$) basierend auf dem Vorzeichen und der Stärke der zukünftigen Rendite als weiches Label ($\sigma(k \cdot \ell_t)$) definiert wird. Dies vermeidet das Problem des Gradientenverschwindens bei Sigmoid/Tanh-Ausgaben.
• Sharpe-Ratio Regularizer: Ein zusätzlicher Loss-Term bestraft hohe Volatilität und fördert eine hohe Sharpe-Ratio direkt während des Trainings.
• ROI-Penalty: Ein Overfitting-Penalty begrenzt unrealistisch hohe Trainingsrenditen.

3. Wichtige Beiträge

1. End-to-End Lernbare Wavelets: Ersetzung fester Vorverarbeitungsfilter durch einen lernbaren Filterbank, der gemeinsam mit dem Handelsziel optimiert wird, um taskspezifische Frequenzbänder zu finden.
2. Stabile Frequenzfusion: Einführung des LGHI-Moduls, das hochfrequente Details gezielt in den stabilen niederfrequenten Pfad injiziert, was zu robusteren Entscheidungen führt als einfache Konkatenation.
3. Handelsorientierte Optimierung: Ein Trainingsframework, das direkt auf ROI und Sharpe-Ratio abzielt, anstatt auf Vorhersagefehler, unter Verwendung von Soft-Labels und Risikoregulierung.
4. Umfassende Evaluation: Validierung über fünf Jahre stündlicher US-Aktien-Daten in sechs verschiedenen Industriezweigen mit 10 verschiedenen Random Seeds.

4. Ergebnisse

Die Experimente zeigen eine deutliche Überlegenheit von WaveLSFormer gegenüber etablierten Baselines (MLP, LSTM, reiner Transformer) sowie gegenüber Modellen mit festen Wavelet-Filtern.

• Gesamtleistung (Durchschnitt über alle Industrien):
  • ROI (Return on Investment): 0,607 ± 0,045 (im Vergleich zu 0,225 beim reinen Transformer).
  • Sharpe Ratio: 2,157 ± 0,166 (im Vergleich zu 1,024 beim reinen Transformer).
  • Vergleich mit Wavelet+LSTM: Die Sharpe-Ratio verbessert sich von 1,879 auf 2,157.
• Robustheit: Das Modell zeigt über alle sechs getesteten Industriezweige (z. B. Biotechnologie, Halbleiter, Erneuerbare Energien) konsistent bessere Ergebnisse und geringere Varianz über die verschiedenen Seeds.
• Ablationsstudien:
  • Der lernbare Wavelet-Front-End ist entscheidend; feste Filter oder keine Zerlegung führen zu signifikant schlechteren Ergebnissen.
  • Die Kombination aus nieder- und hochfrequenten Ästen ist notwendig; das Entfernen einer der beiden Äste verschlechtert die Performance.
  • Der LGHI-Mechanismus ist überlegen gegenüber einfacher Konkatenation.
  • Der Sharpe-Regularizer reduziert das Maximum Drawdown (MDD) erheblich und glättet die Equity-Kurve.

5. Bedeutung und Fazit

Das Paper demonstriert, dass die direkte Optimierung von Handelsmetriken in Kombination mit einer adaptiven, mehrskaligen Signalzerlegung (Wavelets) und einer stabilen Frequenzfusion (LGHI) signifikant profitablere und risikoangepasste Handelsstrategien ermöglicht als herkömmliche Vorhersagemodelle.

Bedeutung:

• Es adressiert das fundamentale Problem der Diskrepanz zwischen Trainingsziel (Fehlerminimierung) und Einsatzziel (Rendite/Risiko).
• Es zeigt, dass lernbare Wavelet-Filter effektiver sind als statische mathematische Transformationen, da sie sich an die spezifischen Marktbedingungen anpassen können.
• Die Architektur bietet einen neuen Pareto-Optimalen Punkt zwischen Rechenkomplexität und Performance, da sie mit ähnlichem Parameterbudget wie ein Standard-Transformer deutlich bessere Ergebnisse liefert.

Einschränkungen:
Die Studie basiert auf idealisierten Annahmen (keine Transaktionskosten, kein Slippage, keine Marktimpact-Modelle) und beschränkt sich auf stündliche Daten bestimmter US-Industrien. Die Generalisierung auf andere Märkte oder Frequenzen erfordert weitere Validierung.