מדיניות AI מקצה לקצה לתזמון חוזים עתידיים בין נכסים

סיכום

המסמך בוחן אם מודלים הממירים ישירות תנאי שוק למשקולות תיק יכולים לעלות על אסטרטגיות מקובלות של חוזים עתידיים בין נכסים. הוא מתאר אימון של מדיניות זו על שישה־עשר חוזי CME נזילים, עם פונקציית מטרה של יחס Sharpe גזיר, והשוואה לשקלול שווה, לשוויון סיכונים ולמומנטום סדרות עתיות. שיטה זו מדלגת על השלבים הנפרדים המקובלים של חיזוי תשואות ואופטימיזציה של הקצאות.

המדיניות שנלמדה משיגה דירוג גבוה יותר ממדדי ייחוס מבוססי כללים בתיק המאוחד ובכמה קבוצות נכסים, אך היתרון אינו עקבי בכל הקבוצות. מחוץ למדגם, ל-LSTM ולטרנספורמר ביצועים גולמיים דומים, אך עלויות המסחר משנות את ההשוואה: לאחר שמביאים אותן בחשבון, הטרנספורמר סוחר פחות ומתפקד טוב יותר ביחס ל-LSTM, ומשתווה לשקלול שווה או עולה עליו בעלויות מתונות. הקטע אינו מספק נתוני ביצועים מפורטים, תקופת בדיקה או בדיקות עמידות רחבות יותר, ולכן אינו מוכיח שהתוצאות יכלילו מעבר לחוזים העתידיים ולתנאי ההערכה שנחקרו.

רעיונות מרכזיים

• השיטה לומדת משקולות תיק ישירות ממצבי שוק, במקום לחזות תשואות לפני האופטימיזציה.
• האימון משתמש במטרת יחס Sharpe גזירה על קבוצה נזילה של חוזים עתידיים בין נכסים.
• מדדי הייחוס כוללים שקלול שווה, שוויון סיכונים ומומנטום סדרות עתיות.
• המדיניות שנלמדה מדורגת היטב בתיק המשולב ובקבוצות נכסים נבחרות, אך התוצאות משתנות בין הקבוצות.
• עלויות העסקה מיטיבות עם מדיניות הטרנספורמר הפחות פעילה לעומת LSTM בהשוואה המדווחת.

תגיות

# 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.

מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0

הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.