DeePM: aprendizaje profundo robusto para carteras macro sistemáticas

Resumen

DeePM se presenta como un sistema de aprendizaje profundo de extremo a extremo para gestionar carteras macro diversificadas. Su diseño aborda los datos de mercado asíncronos mediante un mecanismo causal basado en retardos, limita las relaciones entre activos con un grafo informado por la economía y se entrena con un objetivo robusto ajustado al riesgo que penaliza ventanas históricas desfavorables como aproximación al riesgo de cola entrópico. Las entradas indicadas son precios de cierre diarios, y el universo de cartera está compuesto por futuros diversificados.

El documento informa de backtests a gran escala que abarcan 2010–2025 e incluyen costes de transacción, y afirma que el rendimiento neto ajustado al riesgo supera al de enfoques seguidores de tendencias, referencias pasivas y un Momentum Transformer. Atribuye la resiliencia en distintos entornos de mercado a la atención transversal retardada, el prior del grafo, el tratamiento de costes y la optimización minimax. Son resultados de investigación comunicados, no resultados establecidos de forma independiente; la descripción breve no especifica los instrumentos exactos, el protocolo de evaluación, los detalles de implementación ni la incertidumbre de las comparaciones. El rendimiento de un backtest no establece resultados futuros.

Ideas clave

• DeePM utiliza un mecanismo de retardo para gestionar información macroeconómica y de mercado disponible de forma asíncrona.
• Un prior de grafo informado por la economía regulariza cómo representa el modelo las relaciones entre activos.
• Se utiliza una penalización de las peores ventanas para entrenar el modelo con vistas a un rendimiento de cartera robusto y ajustado al riesgo.
• Los backtests comunicados sobre futuros incluyen costes de transacción y comparan el modelo con referencias seguidoras de tendencias y pasivas.
• Según se afirma, los resultados de ablación apuntan a la atención retardada, el prior del grafo, el modelado de costes y la optimización robusta como factores de la generalización.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.