Politiques AI de bout en bout pour le timing des contrats à terme multi-actifs

Résumé

Le document examine si des modèles qui convertissent directement les conditions de marché en pondérations de portefeuille peuvent surpasser les stratégies classiques de contrats à terme multi-actifs. Il décrit l’entraînement de ces politiques sur seize contrats à terme CME liquides, avec un objectif différentiable fondé sur le ratio de Sharpe, puis leur comparaison avec la pondération équipondérée, la parité du risque et le momentum de séries temporelles. Cette configuration évite les étapes distinctes habituelles de prévision des rendements et d’optimisation des allocations.

Les politiques apprises devancent les références fondées sur des règles pour le portefeuille regroupé et certains groupes d’actifs, bien que cet avantage ne soit pas constant pour tous les groupes. Hors échantillon, un LSTM et un transformeur ont des performances brutes similaires, mais les coûts de trading modifient la comparaison : le transformeur négocie moins et obtient de meilleurs résultats que le LSTM, égalant ou surpassant la pondération équipondérée lorsque les coûts sont modérés. L’extrait ne fournit ni statistiques de performance détaillées, ni période de test ou vérifications de robustesse plus larges ; il n’établit donc pas que ces résultats se généralisent au-delà des contrats à terme étudiés et des conditions d’évaluation.

Idées clés

• La méthode apprend directement les pondérations de portefeuille à partir des états de marché, sans prévoir les rendements avant l’optimisation.
• L’entraînement utilise un objectif différentiable fondé sur le ratio de Sharpe pour des contrats à terme liquides multi-actifs.
• Les références comprennent la pondération équipondérée, la parité du risque et le momentum de séries temporelles.
• Les politiques apprises se classent bien pour le portefeuille regroupé et certains groupes d’actifs, mais les résultats varient selon le groupe.
• Dans la comparaison rapportée, les coûts de transaction favorisent la politique transformeur, moins active, par rapport au LSTM.

Étiquettes

# 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.

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.