سياسات AI شاملة لتوقيت العقود الآجلة متعددة الأصول

الملخص

تبحث الوثيقة ما إذا كانت النماذج التي تحول ظروف السوق مباشرةً إلى أوزان للمحفظة تستطيع التفوق على استراتيجيات العقود الآجلة التقليدية متعددة الأصول. وتصف تدريب هذه السياسات على ستة عشر عقدًا آجلًا سائلًا من عقود CME الآجلة باستخدام هدف قابل للاشتقاق لنسبة شارب، ثم مقارنتها بالوزن المتساوي وتكافؤ المخاطر وزخم السلاسل الزمنية. ويتجاوز هذا الإعداد الخطوات المنفصلة المعتادة لتوقع العوائد وتحسين التخصيص.

تتقدم السياسات المتعلمة على المعايير القائمة على القواعد في المحفظة المجمعة وبعض مجموعات الأصول، رغم أن التفوق لا يظهر في جميع المجموعات. وخارج العينة، يحقق كل من LSTM والمحوّل أداءً إجماليًا متشابهًا، لكن تكاليف التداول تغير المقارنة: إذ يتداول المحوّل بوتيرة أقل ويحقق أداءً أفضل من LSTM، مساويًا الوزن المتساوي أو متفوقًا عليه عند التكاليف المعتدلة. ولا يقدم المقتطف إحصاءات أداء مفصلة أو فترة اختبار أو اختبارات متانة أوسع، لذا فهو لا يثبت تعميم هذه النتائج خارج العقود الآجلة المدروسة وظروف التقييم.

الأفكار الرئيسية

• تتعلم الطريقة أوزان المحفظة مباشرةً من حالات السوق بدلًا من توقع العوائد قبل التحسين.
• يستخدم التدريب هدفًا قابلًا للاشتقاق لنسبة شارب على مجموعة من العقود الآجلة السائلة متعددة الأصول.
• تشمل المعايير المرجعية الوزن المتساوي وتكافؤ المخاطر وزخم السلاسل الزمنية.
• تتقدم السياسات المتعلمة في المحفظة المجمعة ومجموعات أصول محددة، لكن النتائج تختلف حسب المجموعة.
• ترجح تكاليف المعاملات سياسة المحوّل الأقل نشاطًا على LSTM في المقارنة المعلنة.

الوسوم

# End-to-End Parametric Portfolio Policies for Cross-Asset Futures Timing: When Do AI Models Beat Simple Rules?


# End-to-End Parametric Portfolio Policies for Cross-Asset Futures Timing: When Do AI Models Beat Simple Rules?









Timing-based tilts across asset classes can drive much of the risk and return of a diversified cross-asset portfolio. The standard approach forecasts returns and then optimizes weights. We instead study an end-to-end AI-based policy that maps market states directly to portfolio weights, and we then ask when this one-step modeling approach outperforms simple rules-based strategies. We train these policies on the sixteen most liquid CME futures, where an edge is unlikely to be due to illiquidity, using a differentiable Sharpe ratio loss function, and we benchmark them against equal weighting, risk parity, and time-series momentum. The learned policies rank above the rules on the pooled cross-asset portfolio and in several sub-asset classes, but not uniformly. In gross terms, an LSTM and a transformer-based architecture perform comparably out-of-sample, but diverge when we consider transaction costs. The transformer generates the stronger learned policy, trades far less than the LSTM, and matches or exceeds equal weighting through moderate cost.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.