DeePM: Robust Deep Learning für systematische Makroportfolios

Zusammenfassung

DeePM wird als durchgängiges Deep-Learning-System zur Verwaltung diversifizierter Makroportfolios vorgestellt. Das Design behandelt asynchrone Marktdaten mit einem kausalen Verzögerungsmechanismus, schränkt Beziehungen zwischen Vermögenswerten mithilfe eines wirtschaftswissenschaftlich informierten Graphen ein und trainiert anhand eines robusten risikobereinigten Ziels, das schwache historische Zeitfenster als Näherung für das entropische Tail-Risiko bestraft. Als Eingaben dienen laut Beschreibung tägliche Schlusskurse; das Portfolio umfasst diversifizierte Futures.

Das Dokument berichtet groß angelegte Backtests über den Zeitraum 2010–2025 einschließlich Transaktionskosten und behauptet eine bessere Nettoperformance auf risikobereinigter Basis als bei Trendfolgeansätzen, passiven Benchmarks und einem Momentum Transformer. Die Robustheit in unterschiedlichen Marktumfeldern wird verzögerter querschnittlicher Aufmerksamkeit, dem Graph-Prior, der Kostenberücksichtigung und der Minimax-Optimierung zugeschrieben. Dies sind berichtete Forschungsergebnisse, keine unabhängig bestätigten Resultate. Die Kurzbeschreibung nennt weder die genauen Instrumente und das Bewertungsprotokoll noch Umsetzungsdetails oder die Unsicherheit der Vergleiche. Die Performance eines Backtests belegt keine zukünftigen Ergebnisse.

Kernaussagen

• DeePM nutzt einen Verzögerungsmechanismus, um asynchron verfügbare Makro- und Marktinformationen zu verarbeiten.
• Ein wirtschaftswissenschaftlich informierter Graph-Prior regularisiert die Darstellung von Beziehungen zwischen Vermögenswerten durch das Modell.
• Eine Bestrafung der schlechtesten Zeitfenster dient dem Training auf robuste, risikobereinigte Portfolio-Performance.
• Die berichteten Futures-Backtests berücksichtigen Transaktionskosten und vergleichen das Modell mit Trendfolge- und passiven Benchmarks.
• Den Ablationsergebnissen zufolge tragen verzögerte Aufmerksamkeit, der Graph-Prior, die Kostenmodellierung und robuste Optimierung zur Generalisierung bei.

Schlagwörter

# DeePM: Regime-Robust Deep Learning for Systematic Macro Portfolio Management


# DeePM: Regime-Robust Deep Learning for Systematic Macro Portfolio Management









We propose DeePM (Deep Portfolio Manager), a structured deep-learning macro portfolio manager trained end-to-end to maximize a robust, risk-adjusted utility. DeePM addresses three fundamental challenges in financial learning: (1) it resolves the asynchronous "ragged filtration" problem via a Directed Delay (Causal Sieve) mechanism that prioritizes causal impulse-response learning over information freshness; (2) it combats low signal-to-noise ratios via a Macroeconomic Graph Prior, regularizing cross-asset dependence according to economic first principles; and (3) it optimizes a distributionally robust objective where a smooth worst-window penalty serves as a differentiable proxy for Entropic Value-at-Risk (EVaR) - a window-robust utility encouraging strong performance in the most adverse historical subperiods. In large-scale backtests from 2010-2025 on 50 diversified futures with highly realistic transaction costs, DeePM attains net risk-adjusted returns that are roughly twice those of classical trend-following strategies and passive benchmarks, solely using daily closing prices. Furthermore, DeePM improves upon the state-of-the-art Momentum Transformer architecture by roughly fifty percent. The model demonstrates structural resilience across the 2010s "CTA (Commodity Trading Advisor) Winter" and the post-2020 volatility regime shift, maintaining consistent performance through the pandemic, inflation shocks, and the subsequent higher-for-longer environment. Ablation studies confirm that strictly lagged cross-sectional attention, graph prior, principled treatment of transaction costs, and robust minimax optimization are the primary drivers of this generalization capability.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.