장단기 주식 거래 및 위험 조정 수익 최적화를 위한 학습 가능한 웨이블릿 트랜스포머

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

금융 시계열 데이터에서 수익성 있는 일중 거래 전략을 학습하는 것은 높은 노이즈, 비정상성 및 관련 자산 간의 강한 상호 의존성 때문에 어려운 과제입니다. 본 논문에서는 다중 스케일 분해와 수익 기반 의사 결정 학습을 동시에 수행하는 학습 가능한 웨이블릿 기반 장단기 트랜스포머인 extit{WaveLSFormer}을 제안합니다. 기존의 시계열 예측 모델이 예측 오류를 최적화하고 일반적으로 별도의 포지션 사이즈 결정 또는 포트폴리오 구성 단계를 필요로 하는 것과 달리, 저희 모델은 시장 중립적인 장/단 포트폴리오를 직접 출력하며, 위험 인지 정규화를 통해 거래 목표에 맞춰 전체적으로 학습됩니다. 구체적으로, 학습 가능한 웨이블릿 프론트엔드는 엔드 투 엔드 학습된 필터 뱅크를 통해 저/고주파 성분을 생성하며, 안정적이고 잘 분리된 주파수 대역을 유도하는 스펙트럼 정규화 기법을 사용합니다. 다중 스케일 정보를 융합하기 위해, 저희는 저주파 표현을 고주파 신호로 개선하면서 학습 안정성을 제어하는 저주파 가이드 고주파 주입 (LGHI) 모듈을 도입했습니다. 모델은 고정된 위험 예산을 충족하도록 재조정된 장/단 포지션 포트폴리오를 출력하며, 거래 목표와 위험 인지 정규화를 통해 직접 최적화됩니다. 6개 산업 그룹에 걸쳐 5년간의 시간별 데이터를 사용한 광범위한 실험 결과, 10개의 무작위 시드에 대한 평가를 통해 WaveLSFormer이 고정된 이산 웨이블릿 프론트엔드 유무에 관계없이 MLP, LSTM 및 Transformer 기반 모델보다 일관되게 우수한 성능을 보였습니다. 평균적으로 모든 산업에서 WaveLSFormer은 0.607 ± 0.045의 누적 전체 전략 수익과 2.157 ± 0.166의 샤프 비율을 달성하여, 가장 강력한 기준 모델보다 수익성과 위험 조정 수익 모두에서 상당한 개선을 보였습니다.

Learning profitable intraday trading policies from financial time series is challenging due to heavy noise, non-stationarity, and strong cross-sectional dependence among related assets. We propose \emph{WaveLSFormer}, a learnable wavelet-based long-short Transformer that jointly performs multi-scale decomposition and return-oriented decision learning. Unlike standard time-series forecasting that optimizes prediction error and typically requires a separate position-sizing or portfolio-construction step, our model directly outputs a market-neutral long/short portfolio and is trained end-to-end on a trading objective with risk-aware regularization. Specifically, a learnable wavelet front-end generates low-/high-frequency components via an end-to-end trained filter bank, guided by spectral regularizers that encourage stable and well-separated frequency bands. To fuse multi-scale information, we introduce a low-guided high-frequency injection (LGHI) module that refines low-frequency representations with high-frequency cues while controlling training stability. The model outputs a portfolio of long/short positions that is rescaled to satisfy a fixed risk budget and is optimized directly with a trading objective and risk-aware regularization. Extensive experiments on five years of hourly data across six industry groups, evaluated over ten random seeds, demonstrate that WaveLSFormer consistently outperforms MLP, LSTM and Transformer backbones, with and without fixed discrete wavelet front-ends. On average in all industries, WaveLSFormer achieves a cumulative overall strategy return of $0.607 \pm 0.045$ and a Sharpe ratio of $2.157 \pm 0.166$, substantially improving both profitability and risk-adjusted returns over the strongest baselines.