سیاست‌های سرتاسری AI برای زمان‌بندی قراردادهای آتی میان‌دارایی

خلاصه

این سند بررسی می‌کند که آیا مدل‌هایی که شرایط بازار را مستقیماً به وزن‌های سبد تبدیل می‌کنند، می‌توانند از راهبردهای متعارف قراردادهای آتی میان‌دارایی بهتر عمل کنند یا نه. در آن، آموزش این سیاست‌ها روی شانزده قرارداد آتی نقدشونده CME با هدف نسبت شارپ مشتق‌پذیر شرح داده می‌شود؛ سپس آن‌ها با وزن‌دهی برابر، برابری ریسک و مومنتوم سری زمانی مقایسه می‌شوند. این روش از مراحل معمولِ جداگانه پیش‌بینی بازده و بهینه‌سازی تخصیص صرف‌نظر می‌کند.

سیاست‌های یادگرفته‌شده برای سبد تجمیعی و برخی گروه‌های دارایی بالاتر از معیارهای مبتنی بر قواعد قرار می‌گیرند، هرچند این برتری در همه گروه‌ها یکسان نیست. خارج از نمونه، یک LSTM و یک ترنسفورمر عملکرد ناخالص مشابهی دارند، اما هزینه‌های معامله مقایسه را تغییر می‌دهند: ترنسفورمر کمتر معامله می‌کند و در مقایسه با مدل LSTM عملکرد بهتری دارد؛ همچنین با هزینه‌های متوسط به وزن‌دهی برابر می‌رسد یا از آن بهتر عمل می‌کند. گزیده آمار عملکرد تفصیلی، دوره آزمون یا بررسی‌های گسترده‌تر استحکام را ارائه نمی‌کند؛ بنابراین، ثابت نمی‌کند که این نتایج فراتر از قراردادهای آتی و شرایط ارزیابی مطالعه‌شده تعمیم‌پذیرند.

ایده‌های کلیدی

• این روش وزن‌های سبد را مستقیماً از وضعیت‌های بازار یاد می‌گیرد و پیش از بهینه‌سازی، بازده را پیش‌بینی نمی‌کند.
• آموزش با هدف نسبت شارپ مشتق‌پذیر روی مجموعه‌ای از قراردادهای آتی نقدشونده میان‌دارایی انجام می‌شود.
• معیارهای مقایسه شامل وزن‌دهی برابر، برابری ریسک و مومنتوم سری زمانی هستند.
• سیاست‌های یادگرفته‌شده برای سبد ترکیبی و گروه‌های دارایی منتخب رتبه خوبی دارند، اما نتایج میان گروه‌ها متفاوت است.
• در مقایسه گزارش‌شده، هزینه‌های معامله به نفع سیاست ترنسفورمر کم‌معامله‌تر در برابر LSTM است.

برچسب‌ها

# 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.

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.