DeePM : apprentissage profond robuste pour les portefeuilles macro systématiques

Résumé

DeePM est présenté comme un système d’apprentissage profond de bout en bout destiné à gérer des portefeuilles macro diversifiés. Sa conception traite les données de marché asynchrones au moyen d’un mécanisme causal fondé sur les retards, encadre les relations entre actifs à l’aide d’un graphe fondé sur des connaissances économiques et optimise un objectif robuste ajusté du risque, qui pénalise les périodes historiques défavorables comme approximation du risque de queue entropique. Les données d’entrée déclarées sont les cours de clôture quotidiens, et l’univers du portefeuille se compose de contrats à terme diversifiés.

Le document rapporte des backtests à grande échelle couvrant la période 2010–2025, coûts de transaction inclus, et affirme que les performances nettes ajustées du risque sont supérieures à celles des approches de suivi de tendance, des références passives et d’un Momentum Transformer. Il attribue la résilience dans différents environnements de marché à l’attention transversale décalée, au graphe a priori, au traitement des coûts et à l’optimisation minimax. Il s’agit de résultats de recherche rapportés, et non de résultats établis indépendamment ; la brève description ne précise ni les instruments exacts, ni le protocole d’évaluation, ni les détails de mise en œuvre, ni l’incertitude autour des comparaisons. Les performances en backtest n’établissent pas les résultats futurs.

Idées clés

• DeePM utilise un mécanisme de retard pour traiter les informations macroéconomiques et de marché disponibles de façon asynchrone.
• Une structure de graphe a priori fondée sur des connaissances économiques régularise la manière dont le modèle représente les relations entre actifs.
• Une pénalité sur les fenêtres les plus défavorables sert à entraîner le modèle pour des performances de portefeuille robustes et ajustées du risque.
• Les backtests rapportés sur des contrats à terme incluent les coûts de transaction et comparent le modèle aux références de suivi de tendance et passives.
• Les résultats d’ablation attribueraient la généralisation à l’attention décalée, au graphe a priori, à la modélisation des coûts et à l’optimisation robuste.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.