Políticas AI de extremo a extremo para determinar cuándo operar futuros entre activos

Resumen

El documento examina si los modelos que traducen directamente las condiciones del mercado en ponderaciones de cartera pueden superar las estrategias convencionales de futuros entre activos. Describe el entrenamiento de estas políticas con dieciséis futuros líquidos de CME, utilizando un objetivo diferenciable basado en el ratio de Sharpe, y su comparación con la ponderación equitativa, la paridad de riesgo y el momentum de series temporales. Este enfoque omite los pasos habituales de predecir rendimientos y optimizar asignaciones por separado.

Las políticas aprendidas se sitúan por delante de las referencias basadas en reglas para la cartera conjunta y algunos grupos de activos, aunque la ventaja no es uniforme en todos ellos. Fuera de muestra, un LSTM y un transformador tienen un rendimiento bruto similar, pero los costes de trading cambian la comparación: el transformador opera menos y obtiene mejores resultados frente al LSTM, igualando o superando la ponderación equitativa con costes moderados. El extracto no ofrece estadísticas detalladas de rendimiento, periodo de prueba ni comprobaciones de robustez más amplias, así que no demuestra que los resultados se generalicen más allá de los futuros y las condiciones de evaluación estudiados.

Ideas clave

• El método aprende las ponderaciones de cartera directamente a partir de los estados del mercado, sin predecir primero los rendimientos para luego optimizar.
• El entrenamiento utiliza un objetivo diferenciable basado en el ratio de Sharpe y un conjunto de futuros líquidos de distintos activos.
• Las referencias incluyen la ponderación equitativa, la paridad de riesgo y el momentum de series temporales.
• Las políticas aprendidas obtienen buenos resultados en la cartera conjunta y en algunos grupos de activos, pero varían según el grupo.
• En la comparación presentada, los costes de transacción favorecen la política transformadora, menos activa, frente al LSTM.

Etiquetas

# 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.

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.